目标跟踪技术是计算机视觉领域的重要研究方向之一,它在智能监控、人机交互、军用导航制导领域等方面均有非常广泛的应用。近年来,关于目标跟踪技术的研究层出不穷,其中,相关滤波算法因其兼顾跟踪精度的同时具备较高的速度,得到了研究人员的广泛关注。而如何深度挖掘特征使得基于相关滤波的目标跟踪算法能够适应各种场景的要求是目前研究的重点。目标跟踪分为单目标跟踪和多目标的跟踪,本文在基于相关滤波的基础上,分别针对单目标和多目标跟踪过程中的特征提取模块进行改进:(1)在单目标特征提取阶段,针对现有相关滤波算法在特征表达上的不足,在核化相关滤波器的基础上,提出一种HOG和颜色特征融合算法。首先对特征进行适应性分析,其次提出融合策略,最后在标准视频集上进行实验验证。(2)在多目标特征提取阶段,针对现有的特征融合在多目标跟踪过程中可能带来的观测误差,提出一种基于分层数据关联的场景自适应特征选择算法。特征不再只是简单的融合,而是分布在特征空间的每一层,通过每一层的关联反馈来逐步融合特征,直至所有的目标都被区分开,实验通过MOTA和FPS两个指标分别对场景自适应特征选择和分层数据关联方案进行评估,验证其优越性。(3)论文在上述特征改进的基础上,引入尺度估计相关滤波器,使得特征融合和特征自适应选择算法不仅能准确预测目标位置,而且还可以实现尺度自适应。本文通过标准跟踪视频集和客观跟踪性能评估方法对以上改进算法进行测试与分析。实验表明,论文中提出的改进算法具有跟踪速度快,跟踪精度高和鲁棒性好等特点。