近年来目标跟踪广泛应用于智能监控、智慧交通、智能机器人和虚拟现实等领域,成为计算机视觉领域中的重要研究内容。目标跟踪受限于现实环境多样性和目标运动复杂性,难以兼顾鲁棒性和实时性。相关滤波器因兼顾鲁棒性和实时性,成为近年的研究热点。然而,相关滤波器目前存在的问题是在遮挡、目标漂移、快速运动等情况下不能准确跟踪目标。本文针对相关滤波器处理快速运动目标易丢失、目标漂移和遮挡的问题,提出了一种融合自适应模板更新和目标重定位机制的跟踪方法。主要研究内容与创新性工作如下:第一,研究核相关滤波器跟踪算法,融合了颜色、梯度和灰度共生矩阵特征。融合体现图像色彩标签空间的颜色特征、强调图像梯度信息的HOG特征和突出图像纹理信息的灰度共生矩阵,使目标描述信息相互补充,提升目标的鉴别力,并对融合后特征进行有效降维,兼顾了跟踪效果和时间效率。第二,研究基于目标运动速度和特征变化的模板更新速率,提出自适应模板更新策略。根据当前帧目标运动速度和特征与滤波模板特征的变化规律,分别构造速度与模板更新和特征变化与模板更新两个模型并将其线性组合,根据速度与特征变化自适应地更新模板,有效地增强跟踪器的适应性。第三,针对相关滤波器长时跟踪性能低的问题,提出短时滤波器与长时滤波器协作跟踪的重定位机制。模仿人脑记忆模型(长期记忆与短期记忆)的原理,建立长时滤波器存储目标特征并在跟踪过程中缓慢更新。采用短时滤波器响应值来判定长时滤波器协同跟踪规则。当目标跟踪结果出现偏差时,长时滤波器纠正跟踪的位置;在目标发生遮挡时,长时滤波器介入搜索目标,重定位成功时更新短时滤波器以继续跟踪。本文在MATLAB平台上与当前主流跟踪算法进行对比实验,所用数据库为Visual Tracker Benchmark。实验结果证明了,本文算法在遮挡、目标漂移和快速运动方面有较强的鲁棒性,能够实现准确实时的目标跟踪。