目标跟踪是计算机领域一项重要的研究课题,它为人机交互、智能安防、视觉特效、自动驾驶、武器制导等多方面应用提供基础支撑。但目标跟踪有诸多极富挑战性的难点内容:遮挡、形变、背景变化、快速运动、相似物干扰和运动模糊等干扰因素。为获取跟踪成功率与跟踪速度上的平衡,本文在对各种跟踪算法深入研究,通过公开数据集进行大量对比实验后,总结了各种跟踪算法和策略的优缺点,取得了一些有价值的研究成果。本文的主要工作如下:1.以Retinex算法为基础,结合相似块与小波阈值滤波,提出一种针对图像雾化和噪声问题的图像去雾去噪算法。通过对图像分解,估计入射光分量,求解反射光分量,达到图像去雾的效果,进一步将图像分块,依据块之间的欧式距离,将小于给定阈值的块堆叠成组,对组内图像进行小波变换域滤波,去除噪声,再通过加权平均的方式,将图像块返回原图像,达到图像整体去雾去噪,为后续跟踪算法的特征提取,提供高对比度低噪声的高质量图像。2.深入分析Tracking-Learning-Detection(TLD)跟踪算法,提出利用Kernelized Correlation Filters(KCF)算法替换TLD算法跟踪器,提高TLD算法实时性与适用性。再深入分析KCF算法应对目标尺寸变化、遮挡和相似物干扰的不足,利用VGG-16深度神经网络不同层可以提取不同特性的特征,将不同层特征进行组合用于跟踪,解决KCF算法对目标尺寸变化、遮挡、相似物干扰等因素导致的跟踪失败情况,提高KCF算法鲁棒性。在保证精度的前提下,提高跟踪算法的实时性。采用等间隔帧更新策略,通过实验对比不同帧间隔下,跟踪器跟踪精度和速度的变化。通过实验数据,在保证跟踪精度的前提下,稀疏跟踪模型更新策略,减少不必要的计算,进一步提高算法的实时性。3.结合SSD网络模型,利用改进的TLD跟踪算法构建用于行人跟踪的简单程序。利用SSD网络模型完成行人检测,将SSD网络识别结果传输给跟踪算法,利用跟踪算法对行人进行跟踪。