视频目标跟踪通过对目标对象的特征实现提取,然后在视频帧序列中检测运动目标,从而获得目标的所在位置、运动路径等信息,并且目前已经被大量地应用于安防监控、交通监测、国防侦察等多个现实领域。从Meanshift、Particle Filter和Kalman Filter等比较传统的算法,发展到运用相关滤波与深度学习等理论的最新算法,目标跟踪技术不断取得突破性的进展。但是由于目标跟踪本身的复杂性,现有的跟踪算法总是不尽如人意。传统的跟踪算法虽然计算量比较小,速度也比较快,但是跟踪的准确度比较低;而深度学习类算法的精度和鲁棒性虽然较好,但是由于深度学习计算量相对较大,算法不能达到实时性的要求,并且对于硬件的要求也很高。因此,如何使算法能够在跟踪的过程中兼顾精度和速度的要求,就成为了本文的研究重点。通过分析研究,相关滤波跟踪算法的精度和鲁棒性较之传统算法有很大进步,并且算法速度较快,因此本文基于该类算法进行研究。通过对相关滤波跟踪算法的分析,本文主要从特征的选取和融合、模板的更新两个方面进行讨论。(1)传统的单目标跟踪算法一般只采用一个特征来对目标对象进行描述,然而单特征并不能够完整地表征运动目标,而且在跟踪的过程中目标对象经常会被复杂的环境所干扰,因此需要通过将多个特征进行融合的方式来实现对目标的追踪。基于上述分析,本文引入方向梯度直方图特征和颜色直方图特征,对于不同的特征训练不同的模板,然后分别获得各自的响应图。由于通过固定权重的融合方式对于复杂环境的适应性较差,因此本文采用了一种自适应的特征融合方式。(2)目标跟踪过程中的另一个难题是目标漂移的现象,而这其中最重要的原因就是对特征模型的错误训练和更新的操作,从而使得在之后的跟踪过程中产生了环境误差,最后致使跟踪失败。因此,本文在对特征模板进行更新的操作之前,首先判断当前帧匹配结果的置信度,当置信度大于设置的阈值时,说明当前帧的结果较为可靠,然后才进行模板的更新,否则就放弃更新操作。