进入21世纪后,计算机视觉已成为当前最受欢迎的研究方向之一,计算机视觉的研究范围相当广泛,包括人脸识别、车辆或行人检测、目标跟踪和图像生成等。由于视频目标跟踪在视频监控、智能交通和军事制导等领域有着广泛的应用,使得视频目标跟踪已成为计算机视觉中最为重要的研究内容之一。虽然近年来,目标跟踪算法取得了较大的进步,但是由于目标跟踪的多样性和复杂性使得获取一个高精度和高鲁棒性的跟踪器仍然是一个较大的难题。本文针对这个难题展开了相关的研究工作,具体研究内容如下:(1)基于相关滤波的尺度自适应目标跟踪算法。虽然基于相关滤波设计的跟踪器在准确性和鲁棒性方面均取得了优异的成绩,但是这种跟踪器想要获得稳定的尺度估计仍然是困难的。为了更有效地解决目标尺度问题,本文提出基于相关滤波的尺度自适应目标跟踪算法。首先,该算法采用最大后验概率估计的方法去更新尺度;此外,该算法还利用颜色命名和梯度直方图的融合特征进一步提高了跟踪器的整体跟踪性能。实验结果表明,提出的基于相关滤波的尺度自适应目标跟踪算法与其他跟踪器相比较具有最高的跟踪性能。(2)基于相关滤波的上下文感知目标跟踪算法。针对核相关滤波目标跟踪算法只利用目标区域信息并没有利用目标区域周围的相关信息而导致的跟踪精度较低的问题,基于相关滤波的上下文感知目标跟踪算法通过充分利用目标区域信息和目标区域周围的相关信息去解决跟踪精度低的问题。详细研究了基于相关滤波的上下文感知目标跟踪算法的基本原理,并在MATLAB上进行仿真实验。实验结果表明,基于相关滤波的上下文感知目标跟踪算法的跟踪性能明显比核相关滤波目标跟踪算法的跟踪性能高。(3)基于相关滤波的自适应尺度输出约束上下文感知目标跟踪算法。针对目标在发生大面积遮挡、快速运动、运动模糊和尺度变化导致的目标漂移问题,本文提出基于相关滤波的自适应尺度输出约束的上下文感知目标跟踪算法。首先,假设输出响应为高斯分布并且利用高斯函数的性质和相关滤波知识推导出一个可迭代的滤波器学习因子;然后使用可迭代的滤波器学习因子和固定值的滤波器学习因子选择性地更新滤波器;最后,通过最大化后验概率分布的方法来更新目标尺度。实验结果表明,本文提出的基于相关滤波的自适应尺度输出约束上下文感知目标跟踪算法与其他跟踪算法相比较取得了最好的跟踪性能。