基于相关滤波的目标跟踪算法由于跟踪精度和鲁棒性的不断提高,近年来得到了广泛的应用。然而,在一些复杂的跟踪场景中,此类跟踪器严重受到模型漂移问题的限制。并且模型漂移随着帧数的增加而不断增大,限制了相关滤波跟踪器的长期跟踪能力。为此,本文针对复杂场景中的难点问题对相关跟踪器的影响开展研究,主要研究内容及成果如下:(1)设计了一种抗遮挡的尺度自适应多滤波器跟踪算法。该算法根据样本之间的相似性划分样本集,每个样本集对应训练一个独立的滤波器。在跟踪过程中,通过计算候选区域与样本集之间的相似度,为当前目标选择相匹配的滤波器。该算法多个样本集中存储的多个模板独立存在,改进了单滤波器存储目标信息有限,对目标形变适应性差的缺点,能够有效适应目标的不连续外观模型。同时根据目标验证机制和遮挡检测机制对目标状态进行有效评估,通过计算输出响应图的峰值信噪比和跟踪结果的分块颜色直方图判断当前目标是否跟踪失败或发生遮挡,从而根据判断结果动态指导跟踪器模型的更新,进一步提高跟踪模型的鲁棒性。另外,为了适应目标的尺度变化,首先通过三个尺度因子粗估计目标的变化趋势,然后根据该变化方向建立对应的尺度空间,确定目标的最佳尺度。最后通过在OTB数据集上对本文算法和对比算法进行实验分析,证明了该算法能够实现目标尺度的自适应跟踪,并且在处理形变、部分遮挡、光照变化等复杂场景的跟踪时,较对比算法跟踪精度和成功率都更加优越。(2)设计了一种目标状态触发的决策模型。通常在目标发生严重遮挡或出视野时,将会导致跟踪器跟踪失败。为此本文针对上述情况设计了重检测模块,将检测器与上述跟踪异常判断机制相结合,在目标完全遮挡后重新出现时实现准确跟踪。为了提高重检测模型的精度,本文通过对整帧图像进行分割提取检测样本,以方差分类器和最近邻分类器作为级联检测器对检测样本进行分类,同时将多滤波器模板作为学习样本,辅助实现目标的重新定位。然后根据检测器的输出结果触发检测器与跟踪器之间的转换,从而提高算法在复杂场景中跟踪的鲁棒性。最后,通过在OTB数据集中选取对应的测试序列对本文算法进行评价,该算法的平均成功率为0.6929,平均准确率为0.7408,帧率为27.91。对比实验结果表明本文算法在目标发生严重遮挡或跟踪异常的情况下,重检测模块能够有效实现目标的捕获。本文算法的跟踪精度和成功率相较对比算法都是最优,并且能够基本达到实时,证明了本文算法鲁棒的跟踪性能。