目标跟踪是计算机视觉的重要研究方向,在智能交通、自动驾驶等领域有着广泛的应用。基于相关滤波的目标跟踪算法在兼顾鲁棒性的同时还具备很高的运行速度,近年来备受研究人员的关注并取得了显著的进展。然而,相关滤波类跟踪算法在目标发生尺度变化、周围有相似背景干扰等复杂环境中的表现仍然有待提高。本文在深入研究相关滤波类目标跟踪算法基本框架的基础上,针对跟踪过程中出现的遮挡、尺度变化和相似背景干扰等挑战进行研究,完成了以下工作:(1)针对时空上下文目标跟踪算法中尺度变化导致滤波模板学习不准确的问题进行改进,基于尺度滤波器对时空上下文目标跟踪算法进行研究。首先通过尺度系数矩阵建立33个不同尺度大小的目标矩形框,分别提取31维的FHOG特征向量,然后与滤波器模板卷积求得最大响应位置,从而确定跟踪目标的位置与尺度信息,最后通过实验验证改进方法解决了目标发生尺度变化时,滤波模板无法对局部上下文区域图像进行有效学习的问题。(2)针对混合高斯背景建模算法中存在的边缘提取不完整的问题进行改进,研究了边缘检测与混合高斯建模相结合的改进方法。首先对输入图像分别进行自适应学习率的混合高斯背景建模及边缘检测操作,然后对两者结合的结果进行形态学操作,提取完整的前景信息,最后通过实验验证该算法可以有效地提取跟踪目标,用于下一步的跟踪任务。(3)针对核相关滤波目标跟踪算法中相似背景、尺度变化等复杂环境容易造成跟踪飘移的问题进行改进,研究了背景减除与相关滤波相结合的改进方法。首先对视频序列进行背景减除操作,提取跟踪目标,并在第一帧中分别建立基于灰度和颜色特征的核相关滤波器,同时建立11位尺度池,然后在后续帧图像集,若图像帧数为5的倍数,则通过基于颜色特征的核相关滤波器求最大响应得到当前帧图像的中心目标位置和尺度信息,否则通过基于灰度特征的核相关滤波器求最大响应得到当前帧图像的中心目标位置和尺度信息;最后利用当前帧图像分别更新基于灰度和颜色特征的核相关滤波器。通过实验验证在遮挡、尺度变化、相似背景干扰等复杂情况下,改进算法提高了跟踪的准确率。