尽管多年来目标跟踪领域已取得了不错的成效,但它仍是一个富有挑战性的问题。随着人工智能与深度学习的发展,目标跟踪算法设计得越来越复杂,耗时也越来越高。利用异构平台来快速提取特征、将算法并行化也是目前亟待解决的事情。针对核相关滤波跟踪算法(Kernelized Correlation Filters,KCF)存在实时性较差的问题,提出了一种优化搜索策略的改进算法OSKCF。首先,在检测到随机选取的视频某一帧中目标中心位置后,计算该目标图像块的均值和标准差。再设定一个排序队列以及两个自适应阈值来筛除一些特征与目标差异较大的候选块。在视频下一帧中,均值与标准差的差值小于设定阈值的候选块会优先检测并计算响应。然后将KCF从单一尺度拓展到5个以及7个等差尺度,测出选用5级尺度因子时,跟踪精度和速度更胜一筹。实验结果表明,改进后的算法与原算法相比帧率提升可达10%左右,且跟踪精度较KCF、CSK、Struct等其它算法提升2.2%,14.4%,24.9%。在硬件加速方面,对OSKCF算法设计了基于两种不同异构平台的并行方案。包括目标初始化、互相关矩阵、回归系数和响应最大值的计算、以及图像特征的提取。再使用两种并行化的算法来加速如下几个模块:FFT计算、高斯核相关计算、优化策略后的图像块搜索。最后,测量两种并行算法的时间消耗、跟踪精度以及功耗,与CPU串行算法做性能对比。对于快速傅里叶变换以及高斯核相关,采用灰度特征时可获4.1～45.0倍的加速比,而采用FHOG特征时可获得4.0～38.3倍的加速比,两种特征在GPU端的时间消耗均控制在1ms以内。在基于Open CL的FPGA平台上测试两种特征时,加速比相对于GPU都有着10倍左右的提升,功耗也控制在GPU的1/6左右。在OSKCF算法的总体帧率方面,其获得了平均9.0倍的加速比,令算法平均帧率超过500帧,达到了高速实时性的要求且具有较好的工程价值。