目标跟踪是计算机视觉中的一个重要问题,在机器人,视频监控以及军事武器等领域中都有着广泛的应用。其任务就是预测视野中运动目标的轨迹与物体的大小。也就是说,对于视频中的每一帧,都要从背景中找到已经确定的跟踪物体,即用边界框表示它们的位置和尺寸。在本文中,我们提出了一种结合MobileNet,集成卡尔曼滤波器(Ensemble Kalman Filter)以及相关滤波器(Correlation Filter)的高实时性目标跟踪算法,根据各模块首字母取名为MCEK算法。该跟踪算法的框架由下列部件组成:基于MobileNet的特征提取器,以及基于集成卡尔曼滤波器的轨迹预测器和基于自适应多支相关滤波器的在线学习机制以及融合器。其中,基于MobileNet的特征提取器输出多层次的特征并将它们分别输入到多个单支相关滤波器中实现参数的在线学习,然后通过自适应权重的方案融合这些独立的多分支相关滤波器,同时,由于MobileNet计算复杂度低,空间复杂度低的优势,有助于实现实时跟踪。而基于集成卡尔曼滤波器的轨迹预测器的作用则是在这个过程中优化上述多个相关滤波器的预测结果。下面介绍本文的主要工作:第一,本文采用了一种轻量级的MobileNet网络,使得跟踪算法在计算性能受限的情况下能够保持较好的实时性,从而为算法参数的在线学习提供了保证。并且不同层级的卷积特征能够表征不同的信息,通过多层次的特征提取方式以实现更好的特征表示,从而来应对目标跟踪中的各种挑战性。第二,本文针对卡尔曼滤波器中在求解方差矩阵时直接对方差矩阵进行线性化估计容易导致性能不稳定甚至导致数值上发散的问题,提出了一种集成卡尔曼滤波器,分别综合单个滤波器的预测结果与运动估计值,得到最终的跟踪结果。第三,我们组织实验以验证本文中所提算法的性能。算法实验表明本文提出的算法与其他知名算法相比,具有较好的精度。而且本文提出的算法在机器人移动平台或嵌入式系统上也能达到较好的效果。本文介绍了MCEK目标跟踪算法。通过MobileNet提取目标区域的特征,并输入给各个相关滤波器,并将预测结果进行耦合,而集成卡尔曼滤波器则对各个相关滤波器的输出进行优化。基于上述工作,我们充分验证了算法可行性以及性能。