视觉单目标跟踪是计算机视觉的研究热点之一,在人机交互、智能监控、自动驾驶、智慧城市等许多领域具有十分广泛的应用。但目前仍然不存在一种跟踪算法能够同时适用于有遮挡、旋转、光照变化等多种挑战因素并存的复杂场景。因此,继续对该领域进行研究具有很重要的现实价值。近年来,相关滤波器的思想在视觉跟踪领域得到应用,其效率高、效果佳的优势获得目标跟踪领域的关注。本文立足于相关滤波器跟踪算法,以其中的判别式尺度空间跟踪器(Discriminative Scale Space Tracker,DSST)为基准跟踪器,从特征表示、模型建立、更新策略等方面对DSST算法进行了改进。本文主要研究内容如下:(1)在特征表示方面,针对DSST算法使用单一特征而表征目标能力不足的局限性,融合多种手工特征作为补充,以便更充分的表征目标,同时利用自学习PCA算法对融合后的多种特征进行降维,以去除冗余并保留特征的有效信息,进一步提升算法效率。然后,为了更好的利用多通道特征中每一通道的表示能力,对得到的多个响应通道进行自适应加权。最后,算法融入卷积特征,并通过实验验证其性能提升4.4%。(2)在模型建立方面,针对相关滤波器算法样本不足且存在边界效应的缺陷,利用上下文信息增加真实样本的数量,抑制滤波器对背景区域的响应,减少边界效应对算法的影响,提高算法的鲁棒性。同时,为了增强滤波器的判别能力,为相关滤波器算法模型施加子空间约束,该约束实质上作用于当前滤波器,利用历史滤波器与当前滤波器之间的距离度量,为每个滤波器施加自适应的权重,通过对这些滤波器的加权求和,对当前滤波器形成约束,从而使成功率提升3.3%。(3)对相关滤波器跟踪算法而言,模板的可靠性至关重要,不可靠模型参与更新,会使跟踪效率下降,并可能导致跟踪失败。因此,针对模型更新模块,分别对最小平均峰值相关能量与最小加权间隔的思想进行研究改进,提出两种模型更新策略,能够自适应的选择高置信的模板帧进行更新,使跟踪器摒弃受到污染的模型,保证了所利用滤波器的质量,使算法成功率分别提升2%和1.1%,且跟踪效率大幅提升。综上所述,本文从三个研究点出发,对DSST算法及其后续fast DSST(fDSST)算法进行改进,共提出两种改进的跟踪算法,分别为基于加权融合与自适应更新的实时相关滤波器跟踪算法和基于上下文融合与子空间约束的实时相关滤波器跟踪算法。经过大量的分析、比对与验证,充分证明了本文改进算法的有效性与优越性。