视觉目标跟踪技术作为计算机视觉领域的一个重要分支,近年来受到了国内外科研机构和各大科技公司的格外重视,众多优秀算法不断涌现。然而,现有算法对光照变化、图像阴影、目标遮挡及消失重现等难点问题的解决依然不够出色,并且算法的实时性较差。为此,本文以CMT视觉目标跟踪算法作为研究对象,围绕上述关键问题,从特征点阈值、全局匹配、目标位置预测及遮挡重现等方面着手,提出了一种基于CMT框架的长期目标跟踪算法,并通过实验证明该算法不仅对光照变化、图像阴影、目标遮挡及消失重现等问题的处理行之有效,而且相较原始CMT算法实时性提升显著。全文主要工作有以下四点:(1)研究了Parzen-window非参数概率密度估计法和基于KSW熵方法的图像最优阈值求解算法,然后将二者结合,构造基于Parzen-window与熵的目标函数,最终提出了一种阈值自适应的FAST特征点检测算法。该算法利用图像像素的坐标空间信息替代原始KSW熵方法中的参数化概率密度估计,不用人为假定问题的分布形式,更好的适应了实际应用中复杂的图像特征点检测。之后,利用求解到的动态全局阈值和动态局部阈值进行FAST特征点的全局初步提取和局部动态调整。该算法可克服光照变化、图像阴影等因素的干扰,相比原始算法,特征点提取效果更加稳定、鲁棒。(2)针对CMT算法中特征点全局匹配时存在大量误匹配对这一问题,本文采用了一种新的相似度匹配的度量。在进行全局匹配前利用该方法度量特征点相似度,能够去除部分会发生误匹配的特征点。实验结果证明,相较原始算法,增加了本文提出的相似度匹配的度量后,特征点全局匹配的精度得到了有效提升。(3)在面对复杂图像时,原始CMT算法提取的特征点数量增多导致算法实时性不够,本文采取级联卡尔曼滤波的局部检测算法来提高跟踪速度,然后对目标所处的预测区域使用本文提出的阈值自适应的FAST特征点检测算法检测特征点,最终实现了在面对复杂图像时更为快速的特征点提取。实际测试证明,相较原始算法,采取级联卡尔曼滤波的局部检测算法后,跟踪速度提升了6.43倍。(4)针对目标遮挡问题,本文设计了一个基于前景点匹配率的重检测模块,并结合上述三方面的改进措施,最终提出了一种基于CMT框架的长期目标跟踪算法。基于CMT框架的长期目标跟踪算法利用前景点匹配率实时监测是否发生遮挡及遮挡程度,结合近邻帧收集的跟踪快照,在重度遮挡即将消失时对目标背景信息进行更新并启动重检测模块重新初始化跟踪算法,持续跟踪。通过与TLD、KCF及原始CMT算法的对比实验证明,本文算法在发生目标长期遮挡或消失重现等异常情况时具有重检测目标的能力,且相较其他长期跟踪算法,该算法在长期跟踪时整体性能更优秀。