目标跟踪技术是计算机视觉领域的核心任务之一,其在视频监控、人机交互、医学诊断、智能视觉导航等众多领域有着重要应用。由于受现实复杂场景中光照变化、阴影、遮挡、运动目标突变、背景杂乱等因素的影响,给图像目标跟踪技术带来了极大挑战。近几年,目标跟踪技术虽然有很大进展,但是跟踪效率低下和相似性度量等方面的难题方面仍需要解决或者改进。本文针对复杂场景下高效图像目标跟踪关键技术进行深入透彻研究,主要研究内容和相关成果具体如下:针对传统欧氏距离度量权重分配不准确,造成度量精度不高的问题,本文提出了自适应局部权重学习的方法。(1)在最小界粒子优化与超像素局部权重学习的目标跟踪算法中,在模板中心位置一定范围内采取正、负样本,利用正负样本的加权局部相似度平均数构建目标函数。通过理论推导求解目标函数,得到局部区域权重。模板与候选样本局部相似度计算时添加此权重,使局部相似度计算精度提高,进而提升跟踪算法性能;(2)在利用超像素局部加权度量和反稀疏模型的视觉追踪算法中,将目标较大的周围区域进行超像素分割并提取超像素特征,利用均值漂移算法进行聚类。计算类置信值得到初始置信图。在此之后,将目标模板进行分割,联合目标模板与置信图,计算模板超像素局部权重。在稀疏求解过程中,用此权重加权使模板与候选样本相似性度量时,噪声或遮挡对度量准确性的干扰减弱。针对传统跟踪算法跟踪效率不高的问题,(1)在最小界粒子优化与超像素局部权重学习的视觉跟踪算法中,提出最小界粒子优化的方法,剔除观测概率较小的候选样本,用观测概率较大的样本与模板进行相似度匹配计算,减少算法计算量,提升跟踪效率;(2)在利用超像素局部加权度量和反稀疏模型的目标跟踪算法中,采用反稀疏表示模型替换原始稀疏表示模型,提升跟踪效率。反稀疏表示模型采用候选样本表示目标模板的模式,每帧只需一次稀疏求解,便可得到稀疏系数,大大减少稀疏系数求解次数,从而提升跟踪效率。上述两种改进算法中,均采用自适应更新方式代替每帧更新的模式,避免每帧更新模板和局部权重时花费太多时间,影响跟踪效率。