随着科学技术的进步,图像处理技术近年来得到飞速发展,计算机视觉成为计算机领域研究的热门,而目标跟踪作为它的一个重要部分已经广泛应用到人机交互、智能交通、机器人视觉导航、军事等领域。例如,在智能交通系统,通过对繁忙路口车辆的跟踪来统计车流量,可以让交警部门合理安排调度,避免出现交通拥堵；在安防监控系统,通过对出入人员特定的跟踪来对他们的行为进行分析,判断是否为可疑人员；在汽车辅助驾驶系统,通过对道路上车辆的跟踪,获取车辆位置、速度等信息返回给系统计算出前方车速及距离,及时报告给司机避免发生碰撞。如何在各种复杂场景下都能够精确并且快速地跟踪到目标成为了一个重要的研究课题。为此,本文做了如下工作：(1)本文首先研究分析了Lucas-Kanade光流法、Mean Shift算法和信赖域方法3种常用的传统跟踪方法。它们有一个共同的特点就是仅仅考虑所跟踪的目标本身而不考虑目标周围的信息,本文称之为绝对目标的跟踪方法。这些方法通常采用基于颜色匹配的方法,这就使得它们无法解决跟踪过程中的复杂场景、光照变化以及遮挡等难点问题。此外,光流法假设两帧图像之间亮度不变,故不能处理目标发生较大变化等情形；MeanShift虽然处理速度较快但不能解决尺度变化问题；而信赖域方法跟踪稳定,鲁棒性好但实时性较差。(2)相对于传统跟踪算法,本文采用了一种新颖的基于相对目标的跟踪方法,既考虑到目标本身同时还考虑目标周围背景信息。在线随机森林算法正是其中一种相对目标的跟踪方法,它最主要特点是在线学习特性和基于检测的跟踪特性。本文根据在线学习中正样本数量少的特点提出了一种改进的在线随机森林算法。此外,在训练特征的选取上采用了一种兼容简单且光照不变的特征——BRIEF特征,并根据目标跟踪的特点做了相应的改进。(3)鉴于传统检测方法是对全图进行穷举的,需要耗费大量的时间,难以达到多目标实时跟踪。本文提出了引入Kalman滤波器结合在线随机森林算法的方法,通过Kalman滤波器估计出目标可能出现的位置,仅需在其附近区域检测目标即可。本文对检测方法进行改进,减少了大量不必要的时间花销,使系统轻松胜任多目标实时跟踪。最后,本文实现了跟踪算法,并与传统方法作实验对比,实验结果验证了本文方法优于传统跟踪方法。