近年来,在目标跟踪领域,基于图像表面纹理以及颜色通道信息处理得到的手工设计特征的粒子滤波算法以及基于大量样本训练得到的深度特征的深度学习算法是两大主流算法研究方向,各自都发展出许多优秀的跟踪算法。手工设计特征具有对纹理和颜色敏感、定位精度高、运算速度快的优点,但不适应过度形变与遮挡,即鲁棒性不足。深度特征具有高维度语义信息,对形变与旋转有不变性,对目标的形状尺度有更准确的判别,但不适应高精度的运动。此外,大多数主流目标跟踪算法的都趋向更快更准确的获得较少背景干扰下运动目标的位置与尺度描述,而在长时间遮挡或消失后重现的目标重寻方面处理策略较为简单,不适应长期目标跟踪的任务。基于以上背景,本文对视觉目标跟踪的基本概念以及主流跟踪方法进行深入分析,研究了核化滤波器KCF(Kernel Correlation Filter)的原理与尺度空间判别滤波器DSST(Discriminative Scale Space Tracking)的原理、基于空间置信蒙版与PCA-HOG(Principal Component Analysis of Histogram of Oriented Gradient)特征的滤波器在短期跟踪的应用、基于手工设计特征与深度特征的响应融合方法以及基于最佳样本组匹配的目标重寻策略,应用于长期跟踪。具体研究如下:1)视觉目标跟踪算法的基本概念与分析。列举了视觉目标跟踪技术的难点,主要包括光照条件、相机运动、目标形变、背景遮挡、背景干扰以及尺度变化等。此外,简述当前国内外视觉跟踪技术的研究现状。2)介绍经典视觉目标跟踪算法的基本工作原理。对KCF和DSST两种经典的目标跟踪算法进行详细讲解,为解决KCF中循环矩阵操作造成的边界效应和样本训练失真的问题,以及图像HOG特征计算量交大的问题,改进基于CSR-DCF(Discriminative Correlation Filter Tracker with Channel and Spatial Reliability)跟踪算法,本文引入经过PCA降维后的PCA-HOG特征以及颜色通道特征来充分描述目标图像的纹理信息,并引入空间置信蒙版,来提高目标区域识别的概率以及弱化对目标形状的依赖。尺度相关滤波器也利用PCA-HOG特征,实现可以根据目标变化而缩放的尺度描述。本文使用此方法应用于短期目标跟踪。3)手工设计特征与深度特征的响应融合算法。手工设计特征处理中使用因式分解卷子算子简化样本模型计算。使用高斯混合模型应用于正样本的管理策略,提高不跟踪时段目标与背景的区分能力。深度特征处理中使用了样本数据增强与增量学习的算法,使得样本模型能够训练出较好的泛化能力。深度网络结构采用孪生网络以及候选区域生成网络的结合,提升了网络并行计算的能力。对于融合算法的策略,考虑以上一帧目标位置与尺度描述作为基准,令两类跟踪算法独立运行,并将两者在目标搜索区域得到的特征响应矩阵经线性规划方案,得到最优的响应融合权重分配,最终获取最优目标响应。对于目标重寻策略,考虑在目标响应值低于指定阈值后启用,并根据最佳样本组,进行目标误判的纠正,从而实现对遮挡或消失后重现的目标捕获。本文使用此方法应用于长期目标跟踪。4)短期跟踪与长期跟踪算法的实验比对。基于空间置信蒙版与PCA-HOG特征的目标跟踪算法作为短期跟踪算法,使用VOT2018短期跟踪的数据集进行算法性能比对;基于手工设计与深度特征融合的目标跟踪算法,使用VOT2018长期跟踪的数据集进行算法性能比对。实验分析工具均使用VOT-Toolkit,对短期跟踪算法的准确性、鲁棒性以及EAO综合评分进行算法性能评估,以及对长期跟踪算法的查准率和查全率进行算法性能评估。