随着科学技术的发展,机器视觉已成为人类感知世界和获得重要信息的主要途径,目标跟踪是机器视觉的一个重要研究方向,被广泛应用于智能视频监控、医药影像复核、人机交互、全天气候侦察和军事应用等领域。在实际跟踪过程中,因为应用环境的复杂性、特殊性和被跟踪目标的类型多样性,出现了目标检测与跟踪算法鲁棒性差、难以长时间跟踪、稳定性差、实时性差、跟踪准确度低等问题。针对上述问题,本文对基于机器学习的目标跟踪技术展开了研究,主要研究内容如下:(1)一种基于Camshift与Kalman滤波的跟踪算法。针对Meanshift跟踪效果差、跟踪框无自适应性的问题,研究了Camshift与Kalman滤波结合的跟踪算法。为验证该算法对颜色的抗干扰性,对短视频进行了跟踪和分析。实验表明:Camshift与Kalman滤波结合后的算法跟踪效果较好,不受背景颜色干扰,未出现跟踪失效现象。(2)研究了TLD跟踪算法的理论知识、基本原理与算法特点,并通过实验分析算法的优缺点。在本文的模板匹配实验过程中,比较正负样本与耗时之间的关系时发现原TLD跟踪算法耗时较长。但对目标行人被遮挡的跟踪中,当目标发生尺度、形状变化和部分被遮挡且遮挡时间短时,TLD算法的跟踪性能高。(3)对原TLD算法进行优化。针对原TLD算法计算量大,当有相似目标出现、目标物被遮挡严重时,跟踪精确度低、效果差的问题,本文提出了优化算法——用Camshift算法代替原TLD算法跟踪器中的光流法。通过对行人的跟踪实验对比,发现优化的TLD算法,未发生迟滞现象,可以实现对遮挡较多、运动速度慢的运动目标准确跟踪。(4)结合Camshift与Kalman滤波的TLD跟踪算法。在对目标进行长时跟踪中,针对遮挡、运动速度快、相似目标物影响、光照变化等问题,本文采用结合Camshift与Kalman滤波的TLD跟踪算法。通过对David视频跟踪进行实验,发现本文算法成功率比原TLD算法高,跟踪效果好;视频帧中心位置误差最小,集中在20像素以内,在本文实验过程中跟踪的实时性与快速性好。为了验证本文算法的跟踪鲁棒性和实时性,本文以运动员的跟踪进行实验验证。实验结果表明:本文算法重叠度稳定,对运行速度比较快、相似目标物干扰、尺度变化严重、发生遮挡的目标跟踪鲁棒性强;中心偏移距离较低,说明本文算法跟踪效果好、实时性好。