视觉目标跟踪技术作为计算机应用的重要分支,一直都是热门的研究方向。目标跟踪技术可以在无人工干预的情况下对视频中的目标持续进行跟踪,在智能监控、航拍导航、军事安全等领域得到广泛应用。随着市场的需求提高,算法的应用场景也越来越复杂。如目标被遮挡;目标消失;目标持续旋转;目标形变较大;长时间目标跟踪等问题都成为跟踪算法需要逾越的障碍。本文以改进实时目标跟踪算法,提高跟踪稳定性为目的。针对传统相关滤波算法(Correlation Filter,CF)在长时目标跟踪、目标旋转跟踪过程中的无法稳定跟踪的情况,提出两种改进型算法。并设计了实验对改进算法进行验证。主要的工作内容以及创新点如下:1.长时目标跟踪问题一直难以解决主要原因有以下两点。首先是模型的更新时机和更新学习率难以确定;其次是目标消失后需要引入再跟踪策略对后续帧进行目标搜索。针对以上两个问题,本文提出了一种改进型长时跟踪算法。该算法引入了评价指标对算法的跟踪的结果进行置信度评估,并根据评估结果动态决定模型的更新时机、更新权重以及后续的算法流程。预先训练用于判定帧间变化是否合理的SVM模型,当评估结果不佳时,使用该SVM模型进一步对目标进行判断。通过评价指标的大小和SVM模型的分类结果共同判断目标是否消失。一旦确定目标已经消失,将启用SVM分类模型对候选区域进行扫描寻找目标,直至重新寻找到目标。最后在VOT和OTB-100数据集中对改进算法和其他算法进行了实验比较,实验结果表明,改进算法长时目标跟踪情况下的成功率和精度都有提高。2.为了应对基于传统特征的跟踪算法在目标形变,旋转时不稳定的情况。结合表达能力较强的深度特征,本文提出了一种融合深度特征与传统特征的CF跟踪算法。其算法架构可以抽象成总-分-总模型。考虑到嵌入式平台的算力和存储能力有限,在对目标进行跟踪的过程中优先使用传统特征进行跟踪。一旦置信度指标较低,及时停止更新传统特征模型。并返回到前一帧或前几帧状态,使用深度特征建模。此后,算法分为基于传统特征的跟踪分支和基于深度特征的跟踪分支,直到两分支跟踪结果连续几帧相近,合并两分支算法。考虑到深度网络计算量问题,基于深度特征的跟踪算法可以进行跳帧跟踪。对改进算法和其他算法进行了对比实验,实验结果表明,改进算法的精度和成功率都有一定的提高。