随着人工智能的快速发展,伴随其而来的相关技术与应用应运而生,以人工智能为基础的产业蓬勃发展,其中图像识别与目标跟踪技术在各个领域应用广泛,特别是在安全监控与增强现实领域。在准确度方面,视频图像中的背景和目标的外观随时可能发生变化,现有的图像处理算法很难准确无误的在图像序列中识别出目标;在实时性方面,图像处理算法一般根据像素点对图像中的目标外观和背景进行建模,具有计算量较大的特点,特别是面对大量需要处理的图像时,解决目标跟踪算法的实时性意义重大。移动终端的计算能力有限,目标跟踪的实时性难题在移动终端上尤为突出,其中一种解决方案是将目标跟踪放在服务器上完成,比如有的移动增强现实程序使用网络将图像转发到服务器上,利用PC机处理完图像后将跟踪结果再返回到移动终端,但是这种方法仅限于在网络环境良好的情况下使用,不具有通用性。本文工作的目的就是利用移动终端自身的计算资源,在保证目标跟踪算法精度的前提下,通过提升其计算速度,使其在移动终端上能够实时跟踪目标。本文研究了基于判别式模型的相关目标跟踪算法,详细分析了TLD和KCF这两种目标跟踪算法的原理及流程,对这两种跟踪算法的优缺点进行了分析,力图保留其较高的跟踪精度和较快的跟踪速度的优点。其中主要关注算法的抗遮挡能力和实时性。原始TLD算法更加看重检测器的检测结果,而减弱了跟踪器的作用,由于采用滑动窗方式的检测器需要处理大量的图像块,严重影响了实时性,本文利用KCF的高精度与实时性的特点,将TLD的跟踪器进行替换,提出了一种新的跟踪算法KCF-LD。本文还针对跟踪算法含有大量数学计算的特点,研究了Android应用开发中的JNI机制,通过JNI机制将大量的数学计算使用C++语言实现,编译成动态库之后供java语言调用,利用该技术在软件开发层面上提高跟踪算法在Android系统上的运行速度。对本文提出的KCF-LD算法在PC端上进行了实验,并对实验结果进行对比分析,证明其不仅具有抗遮挡性,速度也得到了提升。然后在Android系统上实现了一个目标跟踪系统,将KCF-LD算法作为系统的跟踪模块,并对三种跟踪场景进行实验,证明了KCF-LD算法在移动终端上的可用性。