近年来,视频目标跟踪技术已成为计算机视觉领域的研究热点之一。特征提取是视频目标跟踪中至关重要的阶段,光照变化、目标遮挡、模糊等实际复杂应用场景给特征提取带来了极大的挑战。为了进一步促进目标跟踪算法的有效性,论文从特征提取方法入手做了以下几点工作:(1)随着特征提取计算复杂度的增加,相关滤波跟踪框架实时性优势也逐步丧失。为了解决此问题,本文基于相关滤波跟踪框架,提出了一种基于两级滤波的边缘特征,并基于最大响应值序列均值的置信度判别方法对模型进行更新以减少模型漂移。与最新性能较优的多种跟踪算法对比实验表明,该简单有效的特征进一步促进了KCF跟踪算法的AUC和Precision指标。(2)多特征融合已成为目标跟踪中实现特征提取的主流方法。为了提高跟踪准确性,本文基于相关滤波跟踪框架,提出了一种多特征融合的特征提取方法,其采用池化操作后的两级滤波边缘特征和HOG特征进行融合,并利用反向传播算法思想对相关滤波器进行更新。与最新性能较优的多种跟踪算法对比实验表明,该融合特征进一步促进了Staple跟踪算法的AUC和Precision指标。(3)在线深度特征学习中卷积滤波器的初始化和更新方法影响目标跟踪的准确性。为了避免初始卷积滤波器受人工干扰,本文提出了一种改进的在线深度特征提取方法,其基于k-means++算法对卷积滤波器进行初始化,并利用误差反向传播算法思想对卷积滤波器进行更新。与最新性能较优的多种跟踪算法对比实验表明,改进的在线深度特征进一步促进了CNT跟踪算法的AUC和Precision指标。