目标跟踪是计算机视觉和机器视觉中的一个重要研究内容,尽管近年来目标跟踪领域已经取得了巨大成就,但是想要设计一种对于所有场景都适用的目标跟踪算法仍然具有很大的挑战性。主要的困难在于当前的目标跟踪算法不能很好的处理目标的突然变化。为了提高目标跟踪算法的鲁棒性,必须使目标跟踪算法可以有效的处理目标的突然变换,如遮挡和目标的外形变化,并且不能严重降低目标跟踪算法的实时性,如果不能达到实时性的要求,目标跟踪算法的可推广性就会严重受限。针对以上问题,本文在现有工作的基础上体提出了一系列提升目标跟踪算法鲁棒性和实时性的方法。具体工作可以总结为以下几个方面:(1)提出了基于滤波曲线和反向跟踪的遮挡检测方法当目标受到外物遮挡时,其外形特征会发生较大的改变,这种改变在基于相关滤波的跟踪算法中,就会反映到相关滤波曲线值中。目标外形特征变化越大,相关滤波曲线值的突变就越大,这种特性可以被用来初步检测目标的外形变化,在检测出目标发生剧烈的外形变化之后,还需要判断这种变化是不是又遮挡引起的,在此处我们提出一种反向跟踪的方法来确定是否是遮挡。(2)提出了基于深度学习特征特性的目标外形变化的检测方法卷积神经网络有若干层,每一层的输出实质上都可以看做是一种有关原始图像的特征。在浅层网络中,这种特征与原图像比较相似,只是隐藏了部分细节,仍然包含了较多的空间特征信息。而随着网络的深入,所提取出来的特征越来越抽象,有关原始图像的越来越多的语义信息逐渐显示出来,而这些语义信息对于目标的形变、旋转、光照变化等都具有一定的鲁棒性。因此,这两种不同类型的特征可以被用来检测目标的形变,之后为进一步的提高目标跟踪算法的鲁棒性做好准备。(3)提出了一种提高目标跟踪算法的实时性的方法目标跟踪算法的应用领域广泛,对实时性要求比较高,但目前多数跟踪算法的实时性却很差,因此,提高跟踪算法的实时性具有现实的迫切性。针对这个问题,本文提出了一个较一般化的跟踪模型,然后分析了模型的特点,充分的挖掘了模型的并行性。并使用了经典的跟踪算法进行了验证,实验结果表明所提出了并行优化方法是有效的,能有效的提高跟踪算法的实时性。