目标跟踪是计算机视觉中的关键问题,传统相关滤波的跟踪算法对于目标发生遮挡和尺度快速变化时跟踪精准度较差,而结合深度学习的相关滤波跟踪算法训练时间较长,无法实时地对目标进行跟踪。针对以上问题,提出一种自适应特征融合的目标跟踪算法。首先,通过提取目标的两种基础特征,采用不同的权重进行融合,旨在得到具有特征表达偏向不同的初步融合特征;判断初步融合特征的可信度,选择可信度较高的融合特征进行二次自适应融合,自适应融合权重根据初步融合特征的可信度数值确定;使用可信度策略在二次融合得到的特征中,选择最优特征作为当前帧目标的跟踪特征,估计出目标的候选位置。其次,对候选位置的响应程度进行遮挡判定,若判定结果高于预设的重检测阈值,表明估计出的候选位置可靠程度较低,启动遮挡重检测机制,重新对目标的位置进行定位;反之则说明候选位置可靠程度较高,该位置即为目标位置,并作为目标跟踪位置输出。最后,针对长时间跟踪过程中会产生误差积累导致模型跟踪效果变差的问题,预设更新阈值对模型进行自适应更新,保持模型对目标描述的准确性。在对该算法进行跟踪效果验证时,采用国际通用的标准数据库中的视频序列与当前主流的算法进行对比实验。实验结果表明,两次特征融合提高了特征对目标的描述能力,减少了跟踪漂移现象的产生,并且遮挡重检机制有效地判断出目标遮挡情况的发生,完成了对目标发生局部遮挡情况的准确跟踪。此外,该算法在提高了相关滤波跟踪算法的跟踪精准度的同时,跟踪速度并没有大幅度降低,确保了在目标跟踪过程中的实时性。该论文有图23幅,表8个,参考文献66篇。