目标跟踪是目前计算机视觉、人工智能等领域研究的热点,其主要研究内容之一是,在设定某视频序列初始图像帧的目标框情况下,检测获取后续图像帧中该目标框的位置和大小等参数。但在实际情景下,目标本身以及其周边场景可能一直在发生变化,并且同时受到其他干扰因素的影响,从而导致跟踪失败。本文针对目标跟踪过程中的部分遮挡、尺度变换以及长期跟踪问题进行深入研究,提出了相应的处理技术,主要研究成果如下:(1)研究基于多卷积层特征与相关滤波的分块目标定位方法。针对部分遮挡这一干扰因素导致的目标跟踪准确性下降的问题,首先基于条件数对初始帧目标框进行分块,然后分析VGGNet不同卷积层特征,选取第一层和第四层卷积层特征,用核相关滤波器计算得到不同分块目标中心位置;通过巴氏系数对不同块的可靠性进行度量,以可靠性度量作为权重,最终得到整体目标响应图和整体目标位置中心。该研究技术利用目标分块以及卷积特征优化了目标发生部分遮挡时跟踪定位准确度下降的情况。(2)研究基于仿射变换的目标尺度自适应跟踪方法。针对目标框尺度变化引起跟踪错误这一干扰因素,首先基于估算的各分块目标中心估算得到一系列包含缩放、旋转等信息的仿射变换矩阵,初始帧图像块经过仿射矩阵映射得到一系列目标框;其次,于第t帧图像块,以估算的整体目标位置为中心,以通过仿射变换矩阵得到的目标框大小作为第t帧目标候选框大小,获得第t帧目标候选框集;最后,以前五帧跟踪结果平均值作为基线样本,候选框集中最接近基线样本的候选框为最优候选框。该研究技术利用仿射矩阵实现了目标尺度自适应。(3)研究基于长期记忆滤波器的重检测方法。针对长时间跟踪条件下目标离开视野这一挑战因素,首先通过目标外观特征学习互补的相关滤波器,以连接目标离开视野再次出现的长期记忆,用置信度分数值判别目标是否跟踪失败;假设判定目标跟踪失败,为提高跟踪效率,使用在线的支持向量机作为检测器,通过在估计的位置和尺度变化周围绘制密集的训练样本,并根据它们的重叠率为这些样本分配二值标签来递增地训练SVM分类器,生成分类检测模型,重新检测到所要跟踪的目标。该研究技术利用SVM分类器实现目标长时持续跟踪。对于上述提出的研究技术,在OTB上公开的数据集进行了仿真实验,并与当前主流算法进行定性和定量实验分析对比。实验结果表明,基于多卷积层特征与相关滤波的分块目标定位方法,能有效提升目标部分遮挡情况下定位的准确性;基于仿射变换的目标尺度自适应跟踪方法,可以有效实现目标尺度自适应;基于长期记忆滤波器的重检测方法,可以有效解决离开视野导致的跟踪失败问题,实现持续跟踪。