随着计算机软硬件、摄像机、云存储与人工智能等技术的发展,关于目标跟踪技术的研究越来越广泛。从上个世纪的诞生至今,已经涌现出一大批目标跟踪算法,在一定程度上取得了良好的效果,但由于受到跟踪背景复杂性因素的影响,获得一个高效而鲁棒的跟踪算法仍是一项具有重要意义和挑战性的任务。评价目标跟踪算法性能的好坏通常是由跟踪的准确率和跟踪的速率决定的,大部分算法不能同时在两者之间取得理想的效果,尤其是在满足一定跟踪精度时带来的跟踪速率的降低。而随着目标跟踪技术在生活中应用的要求越来越高,具有实时性的跟踪算法开始被人们所关注。传统相关滤波算法(Kernelized Correlation Filter,KCF)的特点就是跟踪速度快,本文主要对该算法存在的问题进行了分析和优化。本文的主要工作有以下几个方面:(1)针对复杂环境下采用单一图像特征跟踪精度和鲁棒性差的问题,基于密集采样框架提出了一种特征融合的相关滤波目标跟踪方法。在跟踪过程中,同时利用方向梯度直方图和颜色属性对目标外观特征进行描述,由目标外观模型和岭回归分类器获得的滤波系数,分别对循环移位获得的候选样本进行检测,对检测的分类器响应值进行线性加权融合,由最大的响应值确定当前帧目标的位置。(2)针对相关滤波算法难以实时准确适应目标尺度变化这一问题,提出了一种自适应变尺度的目标跟踪方法。在传统相关滤波循环结构的基础上,增加了对目标尺度大小估计的环节。首先利用相关滤波跟踪算法完成对目标位置的估计,然后采用一种尺度估计方法,训练一个一维的尺度滤波器,在已确定的目标位置处根据前一帧目标的大小获得多个尺度样本进行检测,由最大的响应值确定当前帧目标的尺度,实现自适应变尺度目标跟踪。(3)针对实时的模型更新没有考虑到跟踪结果可信度的问题,在传统相关滤波跟踪算法中引入了一种遮挡检测更新方法。当目标受到严重遮挡时,如果跟踪算法仍将当前帧目标的外观信息全部引入更新模型,干扰信息带来的跟踪误差会不断积累。通过对遮挡前后候选样本检测值的二维分布情况进行分析,利用检测值在一定面积阈值内的分布判断目标受遮挡情况。根据目标受遮挡情况的不同、特征融合算法与尺度自适应算法获得的跟踪框内目标信息量和干扰信息量的不同,采用了不同的遮挡检测更新方法。