随着海量视频数据的产生,视觉目标跟踪已经成为计算机视觉领域重要任务之一。视觉跟踪就是对视频中感兴趣的目标进行持续定位,为更高级的视觉任务提供基础。相比于跟踪完整目标,局部视觉目标跟踪是对目标的感兴趣区域定位。局部视觉目标跟踪在精确打击系统、机械臂、人机交互等军用和民用领域应用广泛。尽管近年来目标跟踪领域取得了巨大进步,但跟踪算法在应对目标形变、背景杂乱、运动变化等挑战时,容易跟踪失败。本文围绕局部视觉目标跟踪课题,针对单一模型在复杂场景下精度低,鲁棒性差的问题,采用集成学习理论开展研究。本文主要研究内容包括:1)研究了集成学习式目标跟踪相关基础理论。具体包括作为分类器的随机森林模型、用于集成跟踪的相关滤波算法及视觉跟踪的评价指标等。同时,对算法的优缺点及适应性进行了分析。2)提出一种基于随机森林和颜色模型的局部视觉目标跟踪方法。随机森林大多以离线方式使用,这不适用于流式数据场景。本方法使用在线随机森林克服了这一难点,提高了模型对目标外观变化的学习能力。同时,利用颜色信息对目标形变不敏感的优点,融合随机森林输出与颜色模型响应,提高了模型的鲁棒性。大规模实验结果证明了本方法的有效性。3)提出一种基于集成相关滤波的局部视觉目标跟踪方法。相关滤波具有高精度和高效率的优点,适合集成跟踪。针对单个模型在复杂环境下易跟踪失败的问题,构建了多特征组合的相关滤波器组,提高了目标表征能力。利用多线索信息选择可靠的预测作为跟踪结果,提高了算法的稳定性。此外,根据跟踪结果的鲁棒性分数自适应调整学习率大小,缓解了噪声样本对模型的污染。在多个数据集上的对比实验表明,本方法提高了相关滤波的性能。4)设计开发了一款目标跟踪软件。在标准化原则和开放性原则的指导下,本软件制定了统一的数据接口,将跟踪算法设计为一个插件,实现了跟踪模块在平台上的快速部署。