运动目标跟踪是计算机视觉领域的研究热点,在智能交通、人机交互、智能监控、自动驾驶以及军事等领域有着广泛的应用。经过多年对目标跟踪的研究,科研人员们提出了大量经典且优秀的算法,使得对该领域的研究取得了重大进展。然而,由于运动目标自身可能会发生形变、尺度变化以及相互遮挡等干扰情况,使得现有的跟踪算法在实际应用中难以满足对精度、鲁棒性和实时性的需求。因此,在干扰存在的情况下,实现鲁棒高效的跟踪是具有挑战的研究课题。相关滤波凭借其在频域中鲁棒高效的计算,满足了目标跟踪中对精度和效率的要求,近年来已经成为研究热点。相关滤波通过学习的滤波模型在频域中与目标候选图像块作相关运算,产生相关输出来实现目标位置的快速检测。并且为了适应目标的变化,使用线性插值更新滤波模型。然而该算法仍然存在特征利用不充分、不能适应目标尺度的变化以及在发生遮挡时跟踪精确度下降的问题。为此,本文在核相关滤波算法的基础上,融合了多个特征以弥补使用单一方向梯度直方图(HOG)特征描述目标,造成的目标描述不准确;引入模型更新率自适应调整模块以减少模型漂移;并加入尺度自适应调整模块以适应目标尺度的变化。在此基础上,结合kalman算法和TLD算法来进行目标检测;并对跟踪状态进行判断,实现了稳定的单目标长时间跟踪。在一定程度上解决了目标遮挡、尺度变化、形状变化等具有挑战性的难点问题。本文的主要内容和创新点概括如下:(1)提出了一种自适应特征融合和模型更新的核相关滤波目标跟踪算法。该算法首先使用主成分分析法对HOG特征和颜色名(CN)特征进行降维,以提高算法的运行速度;其次计算两种特征的响应图,用得到响应图的峰值与平均峰值相关能量值(APCE)的乘积来计算响应图权重,实现响应图的加权融合,从而获得目标位置;最后根据两帧之间CN特征的相似度自适应调整模型更新速率,提高了模型更新的准确性。通过特征自适应融合和更新率自适应调整的综合运用,在提高跟踪精度的同时也提高了处理速度。(2)提出了一种基于核相关滤波(KCF)的TLD目标跟踪算法。首先使用KCF跟踪器替代了TLD算法中的光流跟踪器,并加入尺度判别模块;然后,为了减少检测器中大量无意义的窗口,并提升算法在存在遮挡时的精确性,使用Kalman滤波预估出目标位置,在预估位置周围使用级联分类器更精准的定位目标;最后,引入跟踪状态判断机制,通过设定跟踪器中输出响应最大值阈值、APCE阈值以及检测器中随机蕨分类器阈值,来判断跟踪器跟踪结果的可靠性;此外,本文采用的改进级联检测器由方差分类器,随机蕨分类器以及KCF分类器组成。通过跟踪器和检测器的综合运用,提高了算法在发生遮挡、尺度变化和光照变化情况下的跟踪性能。在OTB-50数据集上对本文算法和其他先进算法进行的定性和定量的对比实验表明,本文改进算法在目标发生遮挡、尺度变化和形状变化等情况下的鲁棒性和准确性得到了提高。