视觉目标跟踪技术是计算机视觉领域的重要分支之一,在辅助医疗诊断、军事国防、虚拟现实、视觉导航等方面均有着广泛应用。近年来,基于相关滤波的视觉目标跟踪技术因追踪实时性强、计算成本低等优点受到了人们的密切关注。然而传统的相关滤波算法由于特征描述能力不足、目标尺度固定等,在光照变化、目标形变、快速运动等跟踪场景中表现不佳,难以适用于实际目标跟踪任务。针对上述问题,本文以核相关滤波算法为基础,在特征提取方式、目标尺度估计、遮挡及丢失目标的重检等方面进行了深入分析并进行改进,提出了一种实时鲁棒的相关滤波目标跟踪算法。本文主要工作及研究内容如下:(1)针对核相关滤波算法提取特征方式单一,描述能力不足的问题,提出了响应层加权融合多特征的目标跟踪策略。首先,利用岭回归的思想分别依据目标的颜色特征与形状特征独立训练二维位置滤波器,确定目标位置,然后使用近似归一化峰值旁瓣比作为跟踪权值在响应层对目标位置结果加权融合,利用两种特征的互补特性提升了目标形变及环境光照变化场景下的跟踪精度。(2)引入了多尺度估计策略。在考虑算法实时性的基础上,针对跟踪过程中目标尺度变化的问题,以当前帧确定的目标位置为基准构造了不同尺度的目标样本集,并以该样本集作为输入训练一维尺度滤波器,实时确定目标的最佳尺度,提升了算法在目标尺度变化场景下的跟踪准确性。(3)针对算法跟踪过程中因遮挡、目标快速移动及模糊等场景造成的目标丢失及漂移问题,提出了目标重采样检测更新策略。当算法在当前帧跟踪失败时,以上一帧中的目标位置为基准构造重采样检测区域,在该区域内对目标进行重检并确定目标的位置。最后,算法依据重检结果的跟踪置信度确定位置滤波器及尺度滤波器的模板更新与否,降低了引入背景干扰的可能,提升了算法鲁棒性。本文在包含具有不同挑战属性的视频序列的基准数据集上对所提出算法的有效性进行了验证。测试结果表明,本文算法能够很好地适应实际跟踪场景中存在的目标形变、尺度变化、遮挡及快速运动等情形,并充分满足算法的实时性要求,具有较强的实用性。此外,相比于传统的相关滤波算法,本文算法获得了更高的跟踪精度及成功率,表现出了更为优越的性能。