视觉目标跟踪一直是计算机视觉领域研究中的一个核心问题,广泛地被应用于国防军事和人民生产生活的各个领域,比如视频监控系统、智能交通、精确制导系统以及人机交互等等。由于在现实复杂场景中,存在着许多无法估计的干扰因素,其中包括目标姿态变化、快速运动和突然运动等内部因素以及光照变化、摄像机抖动、背景杂波、遮挡和尺度变化等外部因素。由于这些复杂因素的存在,目前设计一种能抵挡多种因素干扰且高效鲁棒的视觉目标跟踪算法仍然是一个具有挑战性的难题。本文研究与讨论了在多种干扰的复杂场景下的视觉目标跟踪问题,目标跟踪算法的研究成果如下所述:(1)针对单一特征构建的目标表观模型得到的分类器响应不准确,容易受到光照变化、遮挡等因素的影响,从而使得跟踪出现漂移直至失败的问题。本文提出一种基于岭回归的自适应多特征融合目标跟踪算法。对密集采样得到的各子图像块提取出多种特征分别建立目标表观模型,利用正则化最小二乘分类器得到各模型的响应。利用加权和准则融合各响应,通过求解岭回归方程自适应地在线更新各响应权重以增强局部判别力,得到精确而稳定的检测分数值。通过找到检测分数取最大值的位置去估计目标的真实位置。实验结果表明,与目前的一些跟踪算法相比,该算法在大多数复杂场景下表现出良好的跟踪精度和鲁棒性。(2)针对视觉目标跟踪过程中出现的异常突变的数据(关于这些异常的数据,术语叫做离群值,在跟踪中主要是由图像较低分辨率、目标被遮挡以及待跟踪目标的运动模糊等造成的)对目标观测模型的稳定性有很大干扰,进而导致跟踪算法失效的问题。提出了一种自适应观测权重的目标跟踪算法,有效地缓解跟踪感兴趣目标的过程中离群值的消极影响。首先,通过视觉跟踪中的线性表示模型构建出一种加权观测模型,并提出一种迭代加权模型优化的算法求解该观测模型。值得注意的是,观测模型的权重矩阵在跟踪过程中被实时地在线更新,很好地缓解了离群值对算法的负面影响。最后,采用有效的似然评估函数对目标进行准确、鲁棒地跟踪。通过实验发现,该算法在跟踪精度和鲁棒性方面都优于现有的一些跟踪算法。(3)针对视觉目标跟踪在快速运动和大形变等干扰因素下有效性较低以及鲁棒性较差的问题,基于跟踪检测框架提出一种稀疏重构的目标颜色模型补偿相关滤波的跟踪算法。目前,基于相关滤波框架跟踪算法的目标模型的构建很大程度上依赖于被跟踪目标的空间布局。当目标受到大的形变、摄像机抖动以及快速运动等干扰时,跟踪模型就极易不稳定进而引起跟踪漂移,随着误差的累积,最终导致跟踪算法失效。考虑到颜色统计信息对于像素的空间具体位置非常鲁棒,适应于较大形变和快速运动等干扰。在目标跟踪过程中,首先利用超像素分割算法建立背景模板对跟踪搜索区域进行稀疏重构,通过背景重构误差计算出目标颜色相关图。利用积分图的思想建立一个检测分数查找表快速计算目标颜色模型的跟踪检测响应,鲁棒地处理快速运动、形变等干扰,有效地弥补相关滤波跟踪对此的不足。同时相关滤波模板匹配算法可以缓解目标颜色模型对光照变化的敏感。利用两种模型有效地概率融合,缓解了多种干扰因素的影响。通过大量实验论证,该算法在大多数复杂场景下跟踪精度和鲁棒性都优于现有的一些目标跟踪算法。