视频目标跟踪技术就是对需要被跟踪目标的特征进行选择和提取,创建目标的描述模型后,通过不同的算法处理在输入的连续图像帧中获取目标的位置、速度、尺度、加速度等运动信息来预测下一帧图像的位置,以达到对跟踪目标进行自动跟踪目的,进而实现高层视觉分析,因此一直是计算机视觉研究领域中的热点课题。有效且可靠的视频目标检测和跟踪技术在实际生活中也得到了广泛应用,如视频监控、人机交互、机器人视觉导航、车辆交通信息检测、生物特征识别、医学异常检测跟踪等等。由于在目标运动过程中存在目标外观变化、遮挡问题、低分辨率、目标快速运动、周围环境的干扰、摄像机视角变化和光照变化等诸多因素的影响,使得在复杂条件下实现鲁棒、准确、高效、快速的视频目标跟踪算法仍面临着巨大的挑战。本文针对视频目标跟踪存在的问题,主要做了以下研究工作:(1)介绍了视频目标跟踪技术的国内外研究现状,对视频目标跟踪面临的主要难点进行了叙述和分析,介绍了目标检测和跟踪技术的分类情况,介绍了当前视频目标跟踪领域的常见优秀算法,对近年基于相关滤波和深度学习的视频目标跟踪算法进行了阐述。(2)提出了一种改进的基于多特征融合的时空上下文视频目标跟踪算法。考虑到Color Name特征对尺度、旋转的不敏感特性,与灰度特征进行跟踪效果弥补,分别提取颜色特征和灰度特征后,进行乘性融合,然后计算上下文先验概率,从而更新时空模型。实验结果表明,改进后的算法能够有效处理面内外旋转的跟踪难题。(3)提出了一种改进的基于独立尺度滤波估计的时空上下文视频目标跟踪算法。该算法将DSST算法中的快速尺度估计方法借鉴过来,在特征融合的时空上下文跟踪算法中引入了尺度滤波器,在位置滤波器得到目标估计位置时,以新目标位置为中心,提取33个不同尺度,计算尺度滤波响应,寻找尺度滤波器的最大响应值进而准确估计跟踪目标的尺度并进行实时更新。实验结果表明改进后的算法能够有效处理尺度变化的跟踪难题。