目标跟踪作为计算机视觉中重要组成部分,被广泛的应用于自动驾驶、监控安防、人机交互和军事领域等。在实际的跟踪过程中,目标经常出现形变,尺度变化等内在的变化,也经常受到光照、遮挡和背景杂乱等外界影响。因此,增强目标跟踪算法在各种场景中的鲁棒性具有重要的意义。本文在核相关滤波算法的基础上,进行了深入的研究,针对当前目标跟踪中的不足,提出了一些有效的改进方法。具体研究工作概括如下:1.介绍了核相关滤波算法数学原理,并对核相关滤波目标跟踪算法的各部分进行了详细的介绍,并分析了该算法存在的不足。2.为了增强目标模型的鲁棒性以及适应目标跟踪过程中目标尺度的变化,提出了一种基于特征融合的尺度自适应核相关滤波目标跟踪算法。该算法以核相关滤波算法为基本框架,在特征提取阶段使用OPP颜色特征和HOG特征进行融合得到的融合特征,使用融合特征增强对目标外观的表示,提高跟踪算法的鲁棒性。另外,分别计算不同尺度目标的响应值,选取响应值最大的尺度的作为目标尺度,实现跟踪过程中目标尺度自适应。实验结果表明,提出的算法可以较好的适应目标的尺度变化,并能够在各种挑战场景中获得良好的跟踪效果。3.为了应对跟踪过程中外界环境和目标自身变化的影响,提出了结合关键点和高斯混合模型的核相关滤波跟踪算法。使用关键点跟踪和核相关滤波算法相结合的方式对目标进行跟踪,通过前后向误差筛选出目标的关键点,利用关键点信息可以减少背景的影响。另外,使用高斯混合模型对样本进行处理来生成不同的组件,每一个组件对应一组比较相似的样本,在减少样本量的同时保持了样本的多样性,防止算法过拟合。实验结果表明,本文提出的算法在复杂环境中仍具有很好的跟踪效果。