目标跟踪是计算机视觉领域中一门重要且充满挑战性的研究课题,目标跟踪在安防、智能交通、军事、人机交互等多个领域都发挥着重要的作用。针对单一目标跟踪而言,其困难点在于外在环境与目标外观的多变性。外在环境因素包括:光照、角度等,而目标外观的多变性包括遮挡、尺度变化等。近年来,基于相关滤波的目标跟踪算法是跟踪领域的热点。基于相关滤波的目标跟踪算法将跟踪问题转化为场景中目标与背景分离的问题,并将分类结果中响应值最大处作为目标的新位置。相关滤波器利用快速傅里叶变换将计算转换到频域,提高了跟踪速度,并且通过对分类器和模板进行实时更新,可以应对目标的外观变化和场景的变化,保证跟踪效果。本文对现有相关滤波跟踪方法进行深入分析,提出了一系列改进方法,取得了以下成果:(1)针对单一特征表达能力不足的问题,提出了一种决策层融合颜色特征和方向梯度直方图特征的相关滤波跟踪方法。首先,提取目标的颜色特征与方向梯度直方图特征,根据不同的特征训练多个脊回归分类器,利用分类器得到多个跟踪结果,并根据不同特征响应图的峰值旁瓣比自适应分配权值,最后将跟踪结果加权融合,提高了跟踪精度。(2)针对相关滤波采用固定大小的跟踪框而不能适应目标尺度变化的问题,本文在相关滤波跟踪算法的框架上引入图像信息量,利用相邻两帧目标区域的信息量变化来预测目标的尺度变化。该方法能根据目标尺度的变化改变跟踪框的大小,提高相关滤波跟踪方法的尺度适应性。(3)为了提高跟踪效果,提出了自适应更新学习速率的策略。利用相邻两帧目标区域的相似度分析目标的外观变化情况,根据外观的变化情况自适应调整学习速率的大小,有效提高了相关滤波跟踪算法在部分遮挡,目标形变场景中的跟踪效果。在标准跟踪测试数据集中对以上所提改进进行测试的结果表明,和传统的相关滤波跟踪算法相比,本文跟踪算法在跟踪精度与成功率方面表现最优,同时表现了良好的鲁棒性。