行人跟踪是指根据行人目标的初始位置和尺度等状态,估计后续视频序列中目标的相应状态。行人跟踪技术作为计算机视觉和人工智能领域的研究热点取得了较大进步,已经广泛应用于智能交通、智能监控、移动机器人、视觉导航等领域。由于出色的跟踪精度和实时性,基于相关滤波的跟踪方法得到了大量目标跟踪研究学者的青睐。但在实际跟踪场景中遮挡问题时常发生,相关滤波跟踪方法缺乏相应的应对措施,容易受到外界环境干扰造成跟踪失败。与此同时,尺度变化、背景噪声问题也增加了跟踪难度,因此本文分别从抗遮挡策略、尺度估计、背景噪声抑制三个方面改进相关滤波跟踪方法,提出相应解决措施并进行实验验证。论文的主要内容有:第一,针对复杂场景下行人被频繁或长时间遮挡时跟踪失败的问题,提出一种基于位置预测和深度特征重匹配的抗遮挡行人跟踪算法。首先通过提取和利用行人外观的深度特征实现遮挡判断。然后引入尺度自适应核相关滤波算法实现无遮挡的行人跟踪。当行人受到遮挡时,采用Kalman滤波算法预测目标位置,使用深度特征和YOLOv3检测方法进行复现判断和重匹配。仿真实验结果表明:该算法能够在频繁或长时间遮挡情况下有效地检测和重匹配行人,提高了跟踪精度。第二,针对相关滤波跟踪方法缺乏对于行人出现尺度变化和遮挡情况处理机制,提出一种基于双相关滤波的尺度自适应变换抗遮挡行人跟踪算法。首先在核相关滤波跟踪框架下通过引入表征颜色直方图特征的颜色概率模型实现行人位置估计。其次,利用对数极坐标变换策略将尺度变化量转为平移变化量,并结合加权相位相关法进行平移估计。另外通过附加一个核相关滤波器计算跟踪置信度,高置信度情况下模型正常更新,在低置信度情况下停止模型更新以避免引入错误的背景信息。仿真实验结果表明:该算法在测试视频中能够有效改善行人尺度变换和遮挡情况对跟踪精度的影响。第三,相关滤波跟踪方法由于循环矩阵和傅里叶变换具有出色的运算速度,同时也带来了边界效应,对真实的背景样本进行密集采样可以减弱边界效应,但增加了更多的噪声干扰导致跟踪漂移。因此为了抑制响应突变和背景信息带来的噪声,提出一种滤波响应和空间约束的目标函数来优化相关滤波跟踪器,建立更准确的跟踪模型。采用周期性模型更新的方式,减弱目标受到遮挡时给滤波模型带来的干扰。仿真实验结果表明:该算法能够有效抑制由于密集采样带来的背景噪声干扰,具有一定的抗遮挡能力,在测试视频中取得了较好的跟踪精度和成功率。