目标跟踪是计算机视觉中的一个重要研究方向,有着广泛的应用,如:视频监控,人机交互,无人驾驶等。过去二三十年视觉目标跟踪技术取得了长足的进步,特别是最近两年利用深度学习的目标跟踪方法取得了令人满意的效果,使目标跟踪技术获得了突破性的进展。目标(单目标)跟踪就是在给定某视频序列初始帧的目标大小与位的情况下,预测后续帧中该目标的大小与位置。运动目标跟踪是一个极具挑战性的任务,因为对于运动目标而言,其运动的场景非常复杂并且经常发生变化,或是目标本身也会不断变化,如何在复杂场景中识别并跟踪不断变化的目标就成为一个挑战性的任务。目标跟踪方法根据观测模型是生成式模型或判别式模型可以被分为生成式方法和判别式方法。生成式跟踪方法于前几年比较盛行,而近来判别式跟踪方法逐渐占据了主流地位,以相关滤波和深度学习为代表的判别式方法取得了令人满意的效果。论文对上下文感知相关滤波目标跟踪算法进行了改进,主要研究工作如下:(1)针对原文算法在构建滤波器模型时,对目标周围的上下文区域同等看待,生成的滤波器模型对于快速运动和尺度变化等因素表现不够稳健,为此,改进的算法中采用稀疏光流法创建上下文权值矩阵,用加权后的上下文重构滤波器模型,最后通过与其他算法进行对比实验验证了改进算法的有效性。(2)针对原文算法模型目标在经历背景混乱、相似物干扰及目标形变、尺度变化时表现的跟踪不稳定现象,采用背景抑制模型和颜色概率模型分别确定目标估计位置,最后,将这两种模型所确定的目标位置依据各自的响应分数进行线性加权确定最终位置,经过对比试验证明了提出算法的可行性。