视觉跟踪作为计算机视觉中的一个重要研究课题,不仅推动了机器学习和人工智能等领域的理论研究,也成为很多工程应用如智能交通、人机交互中必不可少的一个环节。随着人工智能的发展,视觉跟踪的研究已经取得了长足进步。但是目前跟踪过程中面临的很多问题比如准确区分相似的目标和背景、运动中目标的遮挡和形状变化等都对跟踪的结果产生影响。在大多数视觉跟踪任务中,目标是由第一帧的边界框给定并跟踪的,但是边界框内不可避免地存在复杂而冗余的背景信息,从而影响跟踪性能。针对上述问题,本文从减轻背景影响、增加跟踪可靠性的角度出发,分别基于不同的框架提出了两种视觉跟踪算法。第一,提出了基于最小障碍距离目标描述符的视觉跟踪算法。本文首先将边界框分解为不重叠的图像块,并提取每个图像块的RGB直方图和方向梯度直方图特征,然后采用最小障碍距离计算每个图像块的权重。具体来说,将边界图像块视为背景种子节点,并将每个图像块到种子集合的最小障碍距离作为每个图像块的权重,因为最小障碍距离可以更有效地表示每个图像块与背景之间的差异。最后,通过融合特征图与对应的权重图来获得每个图像块的描述符,并将基于最小障碍距离的描述符并入结构化支持向量机进行跟踪。实验表明,本文提出的基于最小障碍距离描述符的视觉跟踪算法在面对快速运动、背景杂乱时具有良好的鲁棒性,有效减少了目标漂移。第二,提出了基于最小障碍距离正则化的实时视觉跟踪算法。本文采取一种能够根据目标外观变化调整的正则化权重,将提出的基于最小障碍距离的权重图融合到基于相关滤波的跟踪框架中,获得对目标区域的表示,从而得到更可靠的滤波器,解决了基于相关滤波的视觉跟踪算法由于边界效应限制了样本生成和滤波器学习的问题。同时,该算法构造了一种有效的特征,即通过将优化的深度特征与方向梯度直方图特征融合实现了更鲁棒的目标表达,在提高跟踪效果的同时又获得了实时的跟踪速度。最后在两个基准数据集上的实验表明,与若干代表性的算法相比,本文算法在应对目标的剧烈形变与复杂背景干扰时具有一定的优势。