随着科技水平的不断提高、电子元器件的更新迭代,当今社会对智能化的社会要求越来越高,结合人工智能技术的前沿摄像头也越来越多,技术水平的提高不仅便利了人们的日常生活,还是国家实力增强的证明。智能摄像头中涉及到的一个重要的技术领域就是计算机视觉,计算机视觉是当前十分活跃的前沿领域,与人们的生活息息相关、紧密联系。计算机视觉已经广泛应用于国家安全防护、交通智能监控、无人车辆行驶、人机交互等各个领域,备受高校和企业单位关注。其中,目标跟踪技术作为计算机视觉领域的重要组成,也突显出越来越重要的作用和应用场景。当前在线目标跟踪有很多优秀的算法,比如TLD、Struck、CT等,但是跟踪快速且效果很好的目标跟踪算法并不多,Struck大约20帧每秒,TLD大约28帧每秒,仅仅达到普通摄像头的实时要求。基于核相关滤波器的目标跟踪算法能达到100多帧每秒,部分算法采用循环矩阵技巧构建分类器训练样本,把样本的数据矩阵变成循环矩阵,这样的样本采样方式大大的增加了样本的数量,提高了算法的准确率,同时使用一种连续的标签来标记样本,即距离样本中心目标近的标签值趋于1,距离样本中心目标远的标签值趋于0,有效的反应了每个负样本的权重。大多数基于核相关滤波器的跟踪算法会通过循环矩阵的性质,将分类器权重的求解问题由时域的卷积转变到傅里叶域里进行点乘,借此避免算法在时间域中复杂的求逆运算,显著提高运算效率。虽然核相关滤波器跟踪算法在时间上优于大多数主流算法,但是其仍然没能解决目标跟踪漂移、目标快速运动或者变速运动、尺度变化即光照变化明显等问题对目标跟踪算法造成的干扰。本文针对核相关滤波器跟踪算法在目标快速运动、尺度变化及光照较暗情况下跟踪性能降低的问题,提出了一种基于比例、积分、微分控制器的在线更新算法,并设计了一种有效的异常判断模型来改善漂移问题。文章对跟踪目标的历史状态以渐忘的比例形式进行更新,同时加入差分状态来提前预判环境变化,并且利用感知哈希编码匹配来判断跟踪是否出错,进而来控制分类器的参数更新:首先对当前帧的跟踪目标进行哈希编码并保存,再对新到来的一帧中跟踪到的目标进行同样的哈希编码保存,对比两者的相似度;然后依据相似度来决定是更新分类器参数还是重新检测跟踪目标。此外本文利用视频上下帧的相关性来对成像设备抖动从而造成的视频抖动模糊现象进行检测和修复。实验结果表明,本文算法对尺度变化、快速运动等影响属性有很强的鲁棒性。此外算法对其他属性如光照变化、遮挡等也有较强的鲁棒性,同时算法仍然保持很高的速度,能实现快速精准的目标跟踪。