运动目标的跟踪一直是计算机视觉领域的一个重要分支,在越来越复杂的环境中,要同时保证跟踪的精确度和速度仍具有很大的挑战。相关滤波(CF)的目标跟踪算法在跟踪领域一直具有很高人气,主要原因是他具备处理速度的优势还具备很好的跟踪效果。本文基于相关滤波跟踪器的设计在复杂环境中能兼顾精确度和速度,即提升跟踪的精确度同时达到实时效果。主要工作内容如下:(1)核相关滤波算法(KCF)计算效率高,它通过使用快速傅里叶变换使算法在保持实时性的同时进一步拓展了高维特征。而它的不足之处在于复杂的环境中跟踪性能差,所有的循环移位都采用了周期假设引入了不必要的边界效应导致候选样本响应度计算量大且响应值结果低。因此对KCF进行了优化。在KCF的基础上设计了一种轨迹预测算法,提前预测目标的轨迹,为接下来的目标跟踪确定方向,缩小样本集的容量,减小循环周期避免不必要的边界效应,提升目标跟踪的精确度。(2)相关滤波算法中模型更新都在每一帧跟踪结束后进行更新,当目标发生遮挡或变形时,有可能发生模型漂移,进而导致后续帧无法跟踪目标。因此后期模型的更新基于多峰检测,引入相关滤波类循环特征图大边缘跟踪方法(LMCF)中的APCE判据,根据APCE判据结果判定是否对模型进行更新,减少不必要的模型更新,提升目标跟踪的速度以及降低模型漂移的可能。最后在OTB100数据集进行试验。试验表明:基于轨迹预测与相关滤波的跟踪算法在基准测试序列上,与现有的几种目标跟踪算法相比具有更好的性能,且在短时间遮挡属性上性能更佳。它以超过80帧/秒的速度运行,相比KCF在精确度上提升7%,在成功率上提升13%。