目标跟踪是指从一系列连续的视频图像中,通过学习和训练模型的方法,获取目标的最新运动信息,对目标进行实时和准确的定位。目标跟踪最初起源于军事领域,被应用于雷达侦测、导弹制导等军事装备中。它主要是模拟人类的视觉系统,使用摄像机和计算机代替人的眼睛和大脑来处理相关的视频信息,成熟的理论基础和先进的技术让它在许多领域都有广泛的实际应用。本文对图像序列跟踪过程中的背景变化、目标遮挡、形变等问题进行了深入的研究,主要研究成果如下:1.提出了一种基于空间置信度的粒子滤波目标跟踪方法。该方法使用蒙特卡罗框架,在当前帧图像目标附近随机取样,生成一个个的粒子块,对每个粒子块分别使用基滤波器进行滤波得到相关响应分数,根据粒子块的分布情况,采用峰值旁瓣比策略计算每个粒子块的权值,并按照权值将粒子块组合预测目标位置和大小。更新相关滤波器参数,使滤波器与新目标相适应,以便下一帧的跟踪。2.提出了一种基于核相关滤波的多尺度目标跟踪方法。该方法采用循环矩阵的循环移位对图像中的正负样本采样,充分利用循环矩阵在频域中可以实现对角化这一特性,将极为耗时的矩阵运算转换为向量之间元素的点运算,极大提升了运算效率,从而实现对目标的实时跟踪。再引入了一个尺度滤波器,对目标的大小进行了预判,可以很好解决跟踪过程中目标出现的尺度变化问题,使得跟踪的准确性进一步提高。3.提出了一种基于卷积神经网络的多尺度目标跟踪方法。该方法通过提取图像的卷积神经网络特征,对特征的每一层使用一个弱跟踪器对目标进行跟踪,得到每层的跟踪位置,然后将所有的弱跟踪器按照不同的权值加权组合构成一个强跟踪器,使用强跟踪器就可以准确评估当前帧目标的位置信息,更新每个弱跟踪器的权值信息。再用一个独立的尺度滤波器对目标所在位置进行尺度预测,根据获取目标的尺度信息确定目标大小。最后分别对弱跟踪器模型和尺度滤波器模型参数进行更新,该方法对光照、遮挡等问题有很好的鲁棒性。