目标跟踪一直是计算机视觉领域的研究热点之一,其主要任务就是对一个选定的目标进行实时的位置确定。由于跟踪过程中目标可能受到各种干扰,例如形状改变、外物遮挡、运动模糊、尺度变化、复杂背景等,所以要求跟踪算法能够实时处理目标出现的各种情况。近几年,目标跟踪领域出现了很多优秀的方法,但依然无法同步处理以上各种挑战。本文针对现有跟踪算法及跟踪平台的不足之处,开展了以下研究工作:(1)针对传统相关滤波方法模型判别能力有限的问题,本文建立了一种自适应多相关滤波器的模型。该模型在利用相关滤波方法高速计算能力的基础上,自适应地生成多个滤波器模块,并利用聚类的方法来有选择性地更新每一个滤波器,使不同类型的训练数据只更新与其对应的滤波模块。跟踪过程中,每个滤波器分别对输入的候选框进行计算,并综合所有滤波器的结果来预测目标的位置。模型中的每一个滤波器都能对某一特定类型的目标具有很高的敏感度和判别能力,从而整个算法模型的鲁棒性都得到了提升。(2)针对快速运动目标的场景,本文提出了一个基于手工特征的自适应多相关滤波跟踪算法。该算法利用手工特征的快速计算特性,将其与自适应多相关滤波模型相结合,得到了一个能够处理快速运动目标的视觉跟踪算法。算法在测试数据集上实现了65帧/秒的跟踪速度,目标中心位置定位准确率达到了0.735。(3)针对复杂情况目标的场景,本文提出了一个基于深度卷积特征的自适应多相关滤波跟踪算法。该算法利用深度学习网络得到的语义信息丰富的深度卷积特征,并将其输入到自适应多相关滤波模型当中,得到了一个能够适应各种复杂场景变化的视觉跟踪算法。算法在测试数据集上实现了23.8帧/秒的跟踪速度,目标中心位置定位准确率达到了0.852。本文不仅在数据集上对算法进行了对比实验,还针对实际的跟踪任务,设计并制作了一个大视野范围下精细目标跟踪平台,用于测试算法在现实场景下的应用。该平台采用双相机协同工作的模式,一个相机在大视野范围内对目标进行实时跟踪,该相机最大视野范围是6.8×4.9米,另一个相机在小视野范围内实时检测目标的各种精细变化,获得跟踪对象更加准确的位置信息。平台最高运行速度可以达到60帧/秒。