随着人工智能技术的快速发展,目标跟踪算法在智能安防、人机交互、无人驾驶和工业控制等领域得到了大量的应用,成为了计算机视觉领域的研究热点。然而,由于目标运动的随机性和环境的复杂性,要实现既准确又快速的跟踪算法存在很大的挑战性。不同于以往跟踪算法中采用的复杂外观模型和搜索策略,近年来利用基于相关滤波的目标跟踪算法能在取得较好跟踪精度的前提下保持高速的运行,因此吸引了研究者的广泛关注。本文在对目标跟踪算法深入学习的基础上,对相关滤波跟踪中的目标模板和响应图进行了深入的研究,主要的工作如下:(1)对目标跟踪算法的原理进行研究,探讨影响跟踪算法性能的因素,深入研究核相关滤波跟踪算法(Kernelized Correlation Filters,KCF),分析了KCF算法中存在的问题。(2)针对目标位置的真实响应会出现在响应图的非全局极值点的问题,本文提出一种改进的基于峰值再检测的目标跟踪算法。该算法对当前帧响应图的峰值旁瓣比(Peak-to-Sidelobe Ratio,PSR)进行计算,当满足设定的阈值条件时对响应图中的两个候选峰值位置进行再检测,通过PSR的大小来预测目标的最终位置。仿真结果表明,该算法以较小的计算量,可以有效地改善跟踪目标的漂移问题,提高算法的跟踪精确度。(3)针对目标模板在跟踪过程中可能不断引入错误样本导致的模板恶化问题,本文提出一种改进的基于多模板的目标跟踪算法,通过设置三个独立的模板,使得模板之间训练互不干扰,并且通过采用不同的更新策略,减小负样本污染模板而导致模板无法恢复的问题,最后通过将三个模板输出的响应图以固定比例融合得到总的响应图来预测目标的最终位置。仿真结果表明,该算法可以改善单一模板受干扰而出现模板恶化的现象,提高算法的跟踪精确度。(4)针对由于密集采样的周期性假设导致的错误样本问题,本文提出一种改进的基于样本优化的目标跟踪算法。通过利用跟踪质量良好的响应值取代高斯分布取值作为当前更新样本的标签值,修正模板的训练样本。仿真结果表明,改进后的算法可以提高算法的跟踪精确度。