目标跟踪是计算机视觉领域的一个重要研究方向,跟踪的准确性直接影响到更高级的视觉处理。随着计算机与各种摄像设备的发展,目标跟踪技术的应用领域也变得越来越广泛,如动作识别、智能监控、视频检索、人机交互、交通流量监控、车辆智能导航等。目标跟踪是通过确定性的方法或概率推理的方法估计出连续视频帧中目标的位置、轮廓以及轨迹等状态信息,并最终为更高级的目标行为分析提供基础。由于目标姿态变化、目标运动、遮挡、摄像机视角变化、光照变化及背景嘈杂等影响因素的干扰,使在复杂多变的现实场景中进行鲁棒目标跟踪面临较大困难。针对上述问题,本文首先提出一种融合颜色特征和时空上下文信息的跟踪算法以实时鲁棒跟踪运动目标。该算法首先使用目标及其周围局部上下文区域的自适应降维颜色特征和灰度特征建模目标表观,获得上下文先验模型;在此基础上,转换到频率域在线学习目标及其周围背景的空间上下文模型;最后通过计算置信图,寻找最大响应值,预测目标在下一帧的位置。通过引入上下文先验模型的共轭复数,改进时空上下文模型在线更新策略,有效增强了跟踪算法对复杂环境的适应性。其次,为了提高算法对目标尺度变化的适应能力,在融合颜色特征和时空上下文信息的跟踪算法上增加自适应尺度估计功能。首先提取目标周围多个尺度的局部上下文特征集获得上下文先验模型。通过比较多个尺度的置信图最大响应值,确定目标尺度和目标中心坐标。然后提取目标中心坐标周围的局部上下文特征集,并计算空间上下文模型和更新时空上下文模型。为了验证算法性能,在CVPR2013 Benchmark跟踪评价准则提供的跟踪数据集上全面地评估本文提出的算法,通过一次性评估、时间鲁棒性评估、空间鲁棒性评估以及影响因素属性评估的成功率和距离精度图,深入了解本文提出的算法的长处及弱点,并与其他主流跟踪算法进行定量分析和定性分析对比实验。实验结果表明,本文提出的算法在目标发生形变、旋转、快速运动、部分遮挡以及受光照变化和背景干扰等复杂情况下能够适应目标表观的变化,具有较好的鲁棒性和实时性。