视觉目标跟踪是计算机视觉中的重要应用之一,被广泛应用于行为分析、智能视频监测、人机交互等领域。但实际场景中存在的光照变化、遮挡、背景混乱等难点,都会对算法效果产生不利影响。因此研究一种鲁棒的、高实时性、高精度的跟踪算法,具有非常重要的意义。本文以核相关滤波为基础,在基于多分类器并行跟踪的框架下,提出一种基于特征融合和多分类器并行的变尺度跟踪算法,主要工作如下:(1)提出一种基于特征融合与多分类器并行的跟踪算法。首先采用多特征融合与级联迭代训练模型相结合的方法,提升分类器的表达能力。然后根据初始化图像帧中目标的纵横比,自适应的调整初始化窗口的尺度。最后,采用多分类器独立并行的方法,进一步提升算法对动态背景干扰的鲁棒性。(2)为了减少伪目标信息融入分类器,提出一种保守的自适应学习率的更新策略。在设置阈值实现保守更新的基础上,根据当前帧中分类器响应自适应调整学习率,从而调整该帧特征信息在分类器中所占权重,极大程度的减少伪目标信息融入分类器。(3)针对不能对目标尺度精确估计的问题,提出一种变尺度的跟踪策略。首先在位置估计的基础上融入尺度估计方法。然后提出只用初始化帧中的目标尺度更新位置分类器的策略,消除传统算法中尺度估计不精确造成的位置分类器性能退化问题。(4)为了提升算法对长时遮挡或严重形变等状况的鲁棒性,提出一种长时跟踪机制。设计将长时滤波器与在线SVM检测器相结合的重检测模块,以实现鲁棒的、长时的跟踪效果。最后,分别对位置估计、尺度估计以及长时模块在测试集OTB2015及MEEM上进行实验测试,验证算法对动态背景的干扰、目标严重形变及长时遮挡等状况的鲁棒性。实验结果表明,本文算法的跟踪结果在中心位置误差、精度以及成功率指标上均得到了很大程度上的提升。