目标跟踪是计算机视觉领域中最为活跃的研究话题之一,意在刻画视频序列中感兴趣物体的运动轨迹。同时,目标跟踪也是图像认知和视频分析的基础,在视频监控,人机交互,医疗诊断等真实场景中,逐步展现出越来越广泛的应用前景,尤其是随着智能终端,可穿戴设备等嵌入式设备的普及,对目标跟踪系统的实时性需求更为迫切。实时目标跟踪系统面临着诸多挑战,其中亟待解决的问题是:(1)对复杂的目标外观建模,将导致在跟踪过程中会消耗更多的计算和存储资源,影响目标跟踪系统的实时性。(2)目标物体的外观容易受到光照,姿势和尺度变化等因素的影响,削弱了分类器区分目标和背景的能力,从而降低了实时目标跟踪的准确性。(3)目标存在被遮挡问题也是实时目标跟踪系统关注的焦点。如何判断遮挡,尤其是处理部分遮挡和完全遮挡是一个难点问题。本文从跟踪-检测框架出发,深入研究现有目标跟踪技术和理论,提出了解决实时目标跟踪中问题的方法,主要研究内容和贡献有以下四点:1.针对复杂的外观模型对实时目标跟踪系统造成的资源消耗,本文提出了一种基于随机蕨和随机投影的目标跟踪算法。该算法提出差值化替代二值化编码的蕨特征,以保留更多的图像细节信息,而不需要增加额外计算消耗。利用随机投影理论,将高维的差值化蕨特征投影到低维空间中,并保持原有特征空间的拓扑关系。在低维特征空间中,采用朴素贝叶斯分类器建立对前景和背景判别的二分类器。实验结果和理论分析均表明,基于随机投影蕨的目标跟踪算法能够以更少的计算和存储资源,达到实时性和鲁棒性的跟踪效果。2.为了提高目标跟踪系统在光照变化,物体形变等复杂环境下的鲁棒性,本文提出一种基于随机投影蕨的多示例目标跟踪算法。该算法以多示例学习为框架,在确定目标的位置之后,其分别建立正样本集合和负样本集合,并在样本集合上建立基于随机投影蕨的弱分类器池。以最大化样本集合似然函数的方式,在线从弱分类器池中选择最优的弱分类器,并组成强分类器以减少噪声对跟踪算法的影响。在搜索候选目标位置时,引入了由粗粒度到细粒度的位置搜索策略,有效减少了目标检测所消耗时间。实验结果表明,所提出的算法能够更为稳定地实时跟踪目标。3.为了提高相关滤波器算法的运行速度,本文提出了一种弱标签的核相关滤波器,核相关滤波器中核矩阵与标签矩阵具有相似的性质,即中心位置的标签值大和周围的标签值小。因此,将标签矩阵松弛到用一个通过低通滤波器的核矩阵表示,使支持向量系数等效为一个低通滤波器,减少了计算冗余,在几乎不损失精度的情况下,更加有效地提高了跟踪算法的运行速度。4.为了解决目标跟踪过程中的遮挡问题,本文提出一种基于点轨迹的核相关滤波器跟踪算法。该算法使用核相关滤波器估计目标位置,并在估计位置周围选取点轨迹样本。通过分析目标和周围物体的运动轨迹,对每一帧中的点轨迹进行聚类,然后合并过分割的类,最终将点轨迹标记为目标或者背景。根据所得目标点轨迹在核相关滤波器跟踪框中的分布状态,判断目标是否发生遮挡或者漂移。如果目标不发生任何变化,保存当前帧的目标并将其作为目标模板。当目标发生漂移或者严重遮挡时,对比候选样本和目标模板的颜色直方图,检测目标位置。