随着人工智能的崛起,社会智能化的普及,计算机视觉已然成为人工智能领域十分重要的一部分。目标跟踪作为计算机视觉的核心技术之一,已经在无人飞行器、精确制导、视频监控等领域中得到广泛应用。然而更加稳定的目标跟踪算法若要在负载能力有限的硬件平台上实现实时跟踪,需要所应用的硬件平台具有较强的计算能力。本课题为了能够实现改进后的跟踪算法在硬件平台进行较为稳定的实时跟踪,选择计算复杂度相对较小的KCF目标跟踪算法,采用ZYNQ平台作为目标跟踪的硬件平台,实现算法在该硬件平台上的移植。首先,针对KCF算法因目标剧烈运动导致跟踪失败问题,本文将HOG特征与CN特征进行线性融合来代替传统的HOG特征来提高跟踪精度;针对KCF算法因遮挡导致跟踪失败问题,本文提出多峰值检测更新机制,利用APCE更新准则对跟踪器进行更新,通过判断是否存在唯一峰值来决定跟踪器是否更新;针对KCF算法因目标尺度变化导致跟踪失败问题,本文在跟踪器更新之后加入尺度池设计,通过计算所有尺度对应的响应值来判断更新后的尺度大小。其次,基于ZYNQ进行跟踪算法移植,在算法的测试平台设计中,使用摄像头对目标进行采集,将采集后的数据存储至DDR中进行缓存,再将DDR中数据读出至算法模块进行跟踪计算,最后通过HDMI来进行显示。在算法的硬件移植过程中,针对FPGA的计算特点,将目标特征改用HSV特征,核相关计算采用线性核函数。在根据算法结构将算法分成五个重要模块,分别为特征提取模块、二维FFT模块、核相关计算模块、响应值计算模块以及模型更新模块,并完成所有模块的设计。最后,通过OTB-100对改进后KCF算法与传统KCF算法进行评估,改进后KCF算法相较于传统KCF算法在鲁棒性与跟踪成功率上均有明显提升。对移植后的算法模块进行仿真验证,在每个模块的时序仿真中,均可实现预期的时序波形,并在硬件平台对算法进行测试,测试结果表明本课题设计的跟踪系统可以对目标进行正确跟踪,满足设计要求。本课题研究的硬件跟踪系统,对使用硬件加速复杂跟踪算法的研究增加了更多的方法与可能性。