视觉目标跟踪技术是计算机视觉领域一个基础且重要的研究方向,在工业领域中应用广泛。尽管视觉目标跟踪技术在近年来取得了显著的进步,但是仍然面临很多亟需解决的问题。本文利用相关滤波计算高效的特点,并以其作为基础跟踪算法,开展了以下研究:本文提出了一种基于像素颜色模型与相关滤波的目标跟踪算法,该算法采用一个基于像素颜色模型的协同跟踪模块,弥补了相关滤波在遮挡和形变等复杂场景下的不足。为了建立鲁棒的像素颜色模型,本文提出了基于固定区间量化和基于自适应区间量化的两种特征描述方法,用于像素颜色特征的描述。此外,在线学习策略也决定着跟踪算法的成败。本文根据像素颜色分类器的得分,提出自适应的在线学习策略,提升了跟踪算法的鲁棒性。本文提出了一种基于软掩膜抠图的相关滤波跟踪算法,来解决相关滤波在循环移位操作中产生的边界效应。该算法利用软掩膜抠图,使得循环移位能够在更大的图像块上进行,并抠取大量真实的负样本用于训练。软掩膜是根据目标的空间先验分布及其外观似然概率构建的,在抠取图像块的时候,对于正样本能够更加关注目标本身,从而降低正样本内目标周围背景像素的影响。本文还提出了一种基于高置信度准则的自适应更新策略。通过置信度得分评价相关滤波器响应图的可靠性,并自适应地调整更新策略,提升了跟踪算法的鲁棒性。实验表明,本文提出的两种基于相关滤波的跟踪算法在跟踪性能上相比于一些前沿的目标跟踪算法有着更为优异的性能,在遮挡、形变、出视场、背景杂乱等复杂场景下能够实现更为鲁棒的跟踪。