目标跟踪在现代社会的生活和生产中有着广泛的应用需求,而且随着智能化发展,视觉目标跟踪的应用领域更是不断扩大。随着此领域研究的深入,一些关键性难题逐渐呈现了出来。比如目标自身的变化(如形态变化)和外界环境的变化(如光照变化)等。这些复杂的干扰因素在很大程度上会影响目标跟踪的效果,甚至导致跟踪失败。对于一般意义的目标跟踪应用,需要第一帧的目标位置信息,该信息主要通过手动给出,无法满足自动化需求。对于工业应用来说,在特定环境下目标种类通常是一定的,因此可以利用深度学习的方法来检测出目标物,进而实现工业自动化检测与跟踪。本文开展了利用深度学习进行特定目标检测训练相关内容的研究。针对上述复杂干扰因素下的目标跟踪问题,本文研究了一种基于最小势垒距离(MBD)和时空上下文(STC)学习模型的跟踪方法。该方法对图像噪声和模糊特性具有较强的鲁棒性,并且可以通过Dijkstra-like算法进行近似计算,从而实现快速计算。实现过程中,采用MBD变换来测量上下文像素的权重,并基于贝叶斯框架来确定目标及其周围区域之间的时空关系,以此来估计目标的最可能位置。针对原STC更新模型容易发生崩溃的问题,本文提出了一种有界尺度更新模型。基于该模型对目标大小的估计,降低了跟踪失败的可能性。上述方法在I5计算机上进行了实现,运行速度约为160FPS。大量的序列测试实验,结果表明,与原STC算法和其他一些主流算法相比,针对部分挑战,本文算法具有相当或更优的性能,也具有更好的综合性能。