在目标跟踪过程中,当目标快速移动或受到严重遮挡时,跟踪框与真实目标会产生一定的偏移,甚至出现丢失目标的现象。本文主要针对上述问题,融合Tracking-Learning-Detection(TLD)算法、时空上下文算法(STC)和卡尔曼滤波的优势,提高目标跟踪的准确率,从而实现对目标移动过快和受遮挡时目标的跟踪。具体工作内容如下:1.简要介绍STC算法和TLD算法。其中详细讲解了 STC算法的运行流程。通过研究傅立叶变换在STC算法中的应用,增加对算法中各个模型的理解。详细介绍TLD算法的运行过程,阐述了检测器、跟踪器和学习器的具体原理,分析TLD算法的性能。2.针对STC跟踪过程时,目标移动速度快或受到遮挡时目标跟踪丢失的现象,以STC算法为基础,采用卡尔曼滤波对目标进行估计,形成一种鲁棒性优越的STC-KF算法。具体步骤为:使用STC算法对目标进行跟踪,根据连续两帧图像灰度的欧式距离,判断目标是否丢失。若目标丢失,使用卡尔曼滤波对目标位置进行估计,循环运行。并通过一系列实验对本章算法和STC算法进行对比。3.为解决目标跟踪过程中持续跟踪的问题,提高算法的跟踪能力,基于TLD目标跟踪算法框架,采用STC-KF对目标进行跟踪,形成一种跟踪效果更优越的TLD-STC-KF算法。算法核心是保留TLD算法的优势,使用STC-KF算法替换TLD算法中中值流跟踪算法。若目标丢失,卡尔曼滤波对目标位置进行估计。目标重新出现后,检测器检测目标,从而实现算法持续性目标跟踪。最后通过一系列的实验对本章算法与STC-KF、TLD算法进行对比。