近些年来,随着我国智慧城市以及天网系统等项目的不断开展,视频目标跟踪技术得到了广泛的应用,如智慧城市中的智能监控,天网系统中的人脸识别以及目标跟踪等,同时也对目标跟踪技术提出了更高的要求。视频目标跟踪一直是计算机视觉领域的一个热门议题。自从2010年David SBolme第一次将相关滤波应用到视频目标跟踪领域以来,许多学者对基于相关滤波的视频目标跟踪算法进行了深入研究,以期提高视频目标跟踪的准确性。本文针对视频目标跟踪常规算法中目标识别成功率低以及尺度变化所导致的目标丢失的情况,提出了一种滤波器优化方案。通过改进滤波器的自适应策略,使用最大响应值和平均相对峰值两种评估指标对滤波器模型的更新加以干预。当跟踪结果符合更新条件时才对滤波器模型进行更新,这样可降低滤波器采样频率,避免滤波器进行无效采样影响样本准确度。另外,设计尺度滤波器分析跟踪目标的尺度情况,根据采样大小自适应地调整识别精度,避免在采样准确度低时目标跟踪产生漂移情况,提高目标识别率。为解决在视频目标跟踪中出现目标被遮挡以及突然消失的问题,并保证训练集训练样本的有效性,本文设计了两种抗遮挡算法。第一种方法是区域颜色直方图遮挡判断算法。首先绘制区域颜色直方图形成直方图组数值,通过对目前目标帧的颜色直方图组以及目标区域历史平均的目标颜色直方图组进行对比,通过抗遮挡算法判断目标被遮挡情况,形成滤波器更新、跟踪器选择、搜索策略等判断依据,然后通过该依据对跟踪器进行适当干预,达到跟踪目的。第二种方法是图像分割遮挡评估算法。该方法主要是提取图像的轮廓,进而把图像分割算法和目标跟踪算法相互融合,得出被跟踪目标的遮挡情况判断依据,而后对融合后的相关滤波跟踪器的检索、更新行为产生影响,达到准确跟踪的目的。上述两种抗遮挡算法可以在视频跟踪过程中出现目标被遮挡以及突然消失的情形下,确保训练集训练样本的有效性,提升了训练集训练样本的准确性以及相关滤波算法的识别成功率。