目标跟踪技术已经在军事安全、轨迹动态分析、场景识别等领域取得了一定的成就。其核心思想是利用模型学习连续视频的第一帧的信息,然后在接下来的复杂连续帧中识别并定位目标。相关滤波算法利用输入样本和理想高斯加权响应组成的岭回归模型来拟合最佳目标模板。由于循环移位操作在边界位置的周期性重复、目标外观的剧烈变化和目标背景不随时间建模,导致目标跟踪模型性能下降。现有很多方法可用来提高模型的精度和速度,比如多通道特征、核化滤波器、尺度自适应及统计学习方法等。这些方法虽然取得了一定成功,但是目标跟踪所面临的视频属性挑战仍然不能得到很好的解决。因此本文围绕改进目标跟踪模型的性能表现和速度进行研究,有效结合机器学习中的优化方法,从理论上证明了改进模型的可行性,并用大量实验验证了改进模型的价值。本文主要研究内容如下:(1)基于L2正则的方法已经实现了输入样本和理想高斯响应之间的滤波器系数的最佳拟合。为提升模型在遭遇目标外观剧烈变化时的鲁棒性,本文引入了滤波器系数的L1正则。L1正则化有助于生成一个稀疏权值矩阵,进而可以用于特征选择,表示只有少数特征对这个模型有贡献,绝大部分特征是没有太大意义的,此时模型只需要关注非零系数的特征。本文提出的L1-STRCF模型在OTB-100和LaSOT数据集上进行对比实验,从精确度、成功率和视频属性三个方面来全方位评价算法,实验结果显示模型的跟踪速度高出原来13%,在遭遇遮挡、变形、快速移动等视频挑战时表现得更加稳定。(2)针对相关滤波器的目标背景不是随着时间建模而导致性能次优的问题,本文在尺度自适应方法的基础上引入了背景裁剪算子的时间正则项。利用从真实背景中提取的背景信息扩充训练样本,真实移位产生的负样本扩大了搜索区域,避免了边界效应,使得学习到的系数更加可靠,分类更加准确。时间正则项可以记住前一阵的目标的位置信息,在遮挡和运动模糊等挑战时重定位目标,实现最佳匹配。本文利用ADMM算法来实现模型的推导,将模型优化成几个相关子问题,逐一交替方向迭代求解,并保证在2次迭代之后达到最优,降低了计算复杂度。最后通过在OTB-100数据集上的实验证明,本文提出的改进的模型在精度和速度上高于当前流行的几种算法,在对比实验中排列第一。(3)目标跟踪模型为提高性能一直采用岭回归方法来拟合最佳系数,CVPR2019上的论文ASRCF开始使用自适应空间权重正则来改进模型,利用先验权重w~r来实现权重的自适应,即对不同的目标序列有特定的权重系数,跟之前的工作大不相同。借鉴L1正则在人脸识别领域取得的成功,本文引入基于空间权重的L1正则项,这与之前的基于滤波器参数的项不同,一个是滤波模板本身求解,一个是空间正则优化项求解。在添加稀疏约束之后,得到的目标尺度特征图没有边缘的毛刺,显示的特征更加仔细,主成分表示更加完善,模型性能更加优异。本文研究工作在OTB-100数据集进行了仿真,得出的尺度特征图与原文相比更具有代表性,利用尺度空间L1正则的算法在几种跟踪器中速度和精度得到优异的性能表现。本文对基于相关滤波的目标跟踪模型进行了研究及改进,为两个模型分别引入了时间正则、空间权重正则和L1正则的优化项,利用ADMM算法求解,结合新的优化思想,使得模型具有实时性和可靠性,有更好的商业价值。