目标跟踪技术作为计算机视觉领域研究的一个热点,在视觉监控、人机交互、智能交通、军事制导等领域有着广泛的应用。经过几十年的发展,许多优秀的理论和跟踪算法被提出,这使得跟踪的准确性和鲁棒性有了较大的提高。然而在实际跟踪场景中,由于目标受到遮挡、尺度变化等因素的影响,如何提高算法的实时性和鲁棒性仍是一个有较强挑战性的难点。为此,本文开展了基于核相关滤波的分块与尺度自适应跟踪方法的研究。主要工作如下:1)基于核相关滤波的分块融合跟踪算法(Block fusion tracking algorithm tracker based on Kernelized Correlation Filters,BKCF)。首先,根据目标的大小及宽高比对其进行自适应分块,并对各子块提取其方向梯度直方图和颜色特征;然后,利用融合后的特征对每个子块进行核相关滤波跟踪,得到各子块的最大响应位置;接着,通过子块目标与原目标间的几何关系得到其对应的候选目标位置;最后,通过对各候选目标位置加权平均得到最终的目标响应位置。此外,以子块响应图的峰值旁瓣比和其响应位置与目标最终位置的欧氏距离为判据来判断该子块的有效性,对于有效的子块进行自适应更新。2)基于BKCF改进的尺度自适应跟踪算法。首先,通过BKCF算法跟踪得到第t帧目标的最终位置;然后以子块目标为中心提取不同尺度下的样本的尺度不变性特征,对每个子块构建一维尺度滤波作为该尺度金字塔的输出,从而得到子块最佳尺度;最后,根据各子块的尺度不变性特征建模的最大响应值的大小为其子块目标对应的最佳尺度分配权重,并通过自适应加来得到目标的最终尺度。在多个图像序列的实验结果表明,所提出的两种算法能较好地处理目标遮挡,尺度变化,目标形变,背景杂波等问题,且它们的性能总体上要优于被比较的方法。