视觉跟踪技术是计算机视觉的核心,也是人工智能的基础,在智能监控、医疗诊断、人机交互等领域中扮演着重要角色,有着广阔的发展前景。当前视觉跟踪问题已经得到广泛深入的研究,并且取得了大量优秀的成果。但随着科学技术的发展,图像设备的普及化,人们需要更高性能的目标跟踪技术来处理复杂场景下的跟踪任务,所以还有很多的问题有待解决,如姿势变化、光照变化、尺度变化和快速运动等因素的干扰问题,设计稳定而高效的目标跟踪方法依然充满着挑战。本文主要研究了基于核相关滤波器的跟踪算法,研究目的是提高跟踪算法的跟踪精度,提出并实现了自适应尺度变换和基于SVM重检测的跟踪算法,并利用多组视频序列进行实验,对实验数据进行定量分析来验证提出算法的有效性。本文的主要研究工作包括:1.本文从外观模型描述、运动模型以及目标模型更新三个角度对目标跟踪算法的研究现状进行分析和总结,就目标跟踪算法面临的技术难点和现有跟踪方法存在的不足进行了归纳。2.本文对相关滤波器跟踪原理和核相关滤波器跟踪方法进行深入研究,使用相关滤波器方法构建一个尺度滤波器来进行目标尺度估计,同时将跟踪任务分解为位移估计和尺度估计。同时考虑到相邻帧之间尺度变化较小,并引入先验概率来自适应调整尺度滤波器响应,从而带来更加平滑的尺度估计效果。3.为了抑制目标尺度变化所带来的窗函数影响,本文使用自适应窗函数过滤目标信号。当目标尺度发生变化时,固定带宽参数的窗函数会影响信号处理过程和学习过程。使用自适应带宽参数的高斯函数作为窗函数,消除了目标信号因为尺度变化所带来的影响,从而提高了跟踪模型的稳定性。4.一个稳定的跟踪算法,必须可以进行长期跟踪,跟踪失败后也可以重新找回目标。本文在相关滤波器跟踪框架上引入一个重检测模块来应对遮挡问题。通过训练一个线性SVM分类器作为检测器,当检测到目标发生遮挡时,执行重检测机制,选取最优的候选结果,并自适应调整模型学习率。当目标经过严重遮挡重现后,跟踪器仍可对目标进行有效跟踪。最后,总结了本文的研究内容,提出了未来的研究工作和内容,为后续研究奠定了基础。