经过多年的研究和发展,目标跟踪在计算机视觉领域已经越来越多的受到人们的重视与关注。由于目标跟踪技术日新月异的发展,目标跟踪已经广泛运用在视频监控、人机交互、机器人视觉以及军事领域等多个行业中。因此,目标跟踪领域中的各种跟踪算法也应运而生。由于在实际跟踪场景的复杂性,提出一个精确度高、鲁棒性强、跟踪速度快的跟踪算法仍然是目标跟踪领域研究的重难点。在基于相关滤波的跟踪算法提出以后,它将时域中的相关操作通过傅里叶变换转换到频域中的点积操作,大大的提升了算法的速度。实现了在保证高精度的前提下同时可以保持很高的跟踪速度,吸引了大批研究人员的关注。目前已经涌现了大批基于相关滤波跟踪框架的算法及其改进算法。本文对基于相关滤波跟踪框架的目标跟踪算法进行了研究,在深入分析了基于相关滤波的目标跟踪框架之后,从学习一个更具判别能力的滤波器实现更加鲁棒的跟踪、自适应的改变目标响应解决边界效应问题、对目标响应加入高斯先验的限制进行合理的建模实现更加可信的跟踪几个方面对基于相关滤波的跟踪算法进行了改进。实验结果证明,本文提出的改进算法在跟踪的精确度和鲁棒性上都有一定的提升。本文的主要研究内容和创新点总结如下:(1)为了提高基于相关滤波跟踪算法的鲁棒性,本文将原始的相关滤波跟踪框架中学习滤波器的正则约束项由L2范数替换为elastic-net的约束,学习一个判别能力更强的滤波器从而适应更多的跟踪场景,实现更加鲁棒的跟踪。另外,传统的相关滤波跟踪算法利用循环矩阵产生样本矩阵,利用循环位移代替实际位移存在边界效应问题。在实际场景中这种循环位移和真实的位移存在一定的区别,循环位移会带来边界效应的问题。为了解决这种边界效应,本文在每一帧中自适应的改变目标响应,通过在每一帧联合求解滤波器和目标响应来缓解循环位移带来的边界效应。在OTB数据集上的实验结果证明,提出的基于弹性网约束的自适应目标响应相关滤波跟踪算法在跟踪性能有明显提升。(2)考虑到在传统的基于相关滤波跟踪框架中目标响应与每一帧的检测步骤无关,因此误差将传播到新计算的滤波器,使得跟踪器变得具有不可恢复的漂移风险。基于此,本文对目标响应加上高斯先验的限制,通过计算响应峰值的置信区间来判断跟踪结果是否可信,并在此基础上融入了局部搜索策略对跟踪结果进行微调,实现了更加精确的目标跟踪。在OTB数据集上的实验结果证明,提出的基于高斯先验约束的相关滤波跟踪算法在精确度和鲁棒性上都有一定的提升。(3)既然在基于相关滤波的跟踪算法中学习一个更具判别能力的滤波器和对目标响应合理的建模都能够对跟踪效果有一定的提升,那么将两者同时融入到基于相关滤波的框架中,会不会进一步提升跟踪效果。另外,通过将之前的单模板的推导扩展到多模板的情况,提出了基于高斯先验及弹性网约束的多模板相关滤波跟踪算法。在OTB数据集上的实验结果证明,和之前的两个算法相比跟踪的精度和鲁棒性都有明显提升。