随着计算机技术与图像处理的不断发展,运动目标跟踪现已成为计算机视觉领域的研究热点之一,其在安防监控、智慧城市和军事分析等方面有着广泛的应用。针对目标跟踪中面临的挑战,众多的学者提出了相应的解决办法,尤其是以核化相关滤波器为基础的算法,无论在精度和速度方面都取得了显著的效果。然而现有的跟踪算法大多需要首先手动给出跟踪目标的初始位置,且只能进行单一目标的跟踪,若目标丢失,则无法重新初始化跟踪目标。若简单地以运动目标检测结果自动初始化跟踪目标,运动目标尺度过大或过小,皆易造成目标跟踪漂移。鉴于上问题,本文对运动目标检测和核化滤波类跟踪方法进行了深入的研究,结合目标图像特征、目标显著性、以及傅里叶变换幅值等对候选跟踪框进行判别,提出了基于运动目标检测的稳健KCF跟踪的主动目标判别算法,确定鲁棒性较高的运动目标候选跟踪框,以期实现基于视频的多目标长时稳定的自主实时跟踪,并对其进行实验分析。研究的主要内容如下:(1)介绍论文选题背景与意义,国内外运动目标检测与跟踪技术现状,分析运动目标检测与跟踪技术中存在的难点。同时对现有的跟踪目标初始化方法进行总结与分析。(2)对帧间差分、三帧差分,以及光流法、相关系数法、高斯背景建模法和Vi Be等经典的运动目标检测算法原理进行剖析,给出其在单一目标或多目标视频序列的检测结果,并对它们的性能进行比较。利用经多线程优化的相关系数法对运动目标进行检测,分析连续帧内的运动目标检测结果,初步确定场景内待跟踪的目标。(3)研究KCF以及其基于颜色和尺度等特征进行改进的CN、DSST、Staple和ECO,以及结合深度特征的ATOM等算法的原理与分析,改进KCF、Staple及ECO-HC跟踪框架以适应多目标的跟踪,并与目标检测模块相整合,实现整个稳健KCF自主目标跟踪的主体框架。(4)利用目标图像特征、目标显著性检测以及傅里叶变换幅值等对待跟踪运动目标的分块候选跟踪框进行判别,结合RANSAC进行过滤,选取稳定可靠的后选跟踪目标进行跟踪。