随着信息技术的迅猛发展,基于视频监控的应用已渗透到人们生活的方方面面,在视频监控、车辆导航、人机交互、机器人等相关领域的重要性日益突出。目标的检测和跟踪研究有着广泛的理论研究价值应用前景。然而在现实场景中,由于跟踪目标的多样性,场景的复杂性,目标运动的多变性等问题,进行鲁棒、实时的目标跟踪仍然面临很大的挑战。本文紧紧围绕针对原始STC算法在跟踪过程中的不足之处进行改进:如何更加有效利用目标特征,如何学习和构造目标模型,进一步优化目标跟踪算法精度,提高其鲁棒性。本文的研究内容主要有以下三点:1.针对STC算法在当目标做立体旋转运动、遮挡或跟踪框的中心点不在目标上时,容易出现丢失目标;当目标运动模糊时,跟踪目标的尺度自适应变化效果较差的情况。提出联合协方差特征矩的时空上下文的鲁棒视觉跟踪算法,此算法是基于时空上下文的框架,以STC算法跟踪结果置信值(RC)作为算法的判断依据,决定是否联合协方差特征矩算法对跟踪结果进行校正,用Meanshift算法重新确定目标中心位置,提高目标的跟踪精度和尺度自适应变化的准确性。2.为了更加有效利用目标的特征信息,提高目标的跟踪精度和鲁棒性,提出了融合显著度的时空上下文超像素的优化跟踪算法。首先对目标上下文区域提取特征,进行超像素分割预处理,然后利用目标上下文的运动相关性及特征协方差信息得到相关性显著度;接着再基于贝叶斯框架,在频域构建融合显著度信息的时空上下文模型;再利用联合颜色和纹理的直方图信息计算巴氏系数,更新时空上下文模型;此外,引入尺度金字塔模型,更加准确地估计目标尺度。3.为了解决了目标机动性高的问题,在融合显著度的时空上下文超像素的跟踪算法中加入低通滤波自适应运动预测模块。通过在线更新动态模型样本集,用岭回归方法来实现LPF的参数的在线更新,实现自适应运动预测,提高了预测目标位置的准确度。本文的改进算法使得在光照变化,背景复杂,目标旋转、机动性高、分辨率低等情况下有较好的跟踪效果。最后在公共数据上进行对比实验,结果表明该算法的跟踪效果和鲁棒性相对更好。