目标跟踪作为计算机视觉领域的热点之一,在众多领域有着广泛应用,如自动驾驶、国防安全、智能家居、人机交互等。在技术层面上目标跟踪涉及模式识别、图像处理,是一个宽领域、多应用的研究方向。最近几十年内是目标跟踪领域发展高速期,涌现了一大批优秀的算法,在一定程度上取得了良好效果,但实际应用中跟踪环境具有多变性和复杂性,例如快速运动、光照变化、遮挡、背景干扰等。面对这些跟踪难点,如何实现具有鲁棒性和实时性的跟踪仍是一项艰巨却有意义的任务。本文分析了不同类型跟踪算法的优点与缺点,以相关滤波跟踪算法为研究框架,针对目标跟踪过程中存在的遮挡、形变、快速运动、背景干扰等问题进行深入研究并提出改进方案,并用实验证明改进算法的优势,主要分为三个方面:(1)针对相关滤波算法在目标遮挡、快速运动等复杂情况下容易导致跟踪失败,难以应用于长时跟踪,本文提出了一种适合长时跟踪的自适应相关滤波算法。首先串联HOG特征、CN特征和灰度特征,增强特征判别力。然后利用Edgeboxes生成检测建议,找到最优的候选框实现跟踪器尺度与纵横比的自适应。为避免模板被破坏,将目标移动速度与边缘组数结合起来形成了一种新的自适应更新率并进行高置信度判断。采用运动估计法进一步调整每一帧目标框的尺度。最后在跟踪失败的情况下采用SVM重检测器恢复目标位置。(2)针对相关滤波算法的特征单一,导致目标表征模型判别力不足的问题,本文提出一种自适应余弦窗的多特征相关滤波算法。首先将基于颜色直方图的贝叶斯分类器与传统的余弦窗口进行自适应融合,进一步抑制目标形变与背景杂乱带来的影响。然后在训练过程中,分别提取分级深度特征与手工特征并对特征图添加改进后的余弦窗,再以一种固定比例方式进行响应融合。接着采用尺度金字塔模型求得目标最佳尺度。最后在模型更新时对三种不同特征图计算的置信度得分求取平均值,进一步提高算法的抗遮挡性。(3)针对相关滤波算法真实训练样本不足,检测范围有限的问题,本文提出一种基于卡尔曼滤波的自适应相关滤波算法。首先采用PCA算法对融合的多特征进行降维,减少算法计算量,提高运行速度。然后加入二进制掩膜矩阵对循环样本剪裁增加真实样本数量训练相关滤波器,缓解循环矩阵引起的边界效应。接着引入卡尔曼滤波,对跟踪目标的位置进行最优估计调整检测范围,实现自适应的跟踪。最后采取稀疏的模板更新策略对算法加速。本文在OTB-100与UAV20L数据集上与多种主流算法进行实验对比,从定量和定性两方面分析改进算法的性能。实验结果充分表明本文所提出三种算法的有效性。针对基于卡尔曼滤波的自适应相关滤波算法,由于其运算速度快,利用Matlab GUI技术实时调用电脑外接摄像头进行实测以验证算法的实用性。