目标跟踪作为计算机视觉中的重要课题之一,极具现实意义和应用价值,在人机交互、智能监控、医疗诊断、无人驾驶等应用领域发挥着重要作用。虽然近些年目标跟踪技术不断取得重大的进展,但由于实际应用场景的多样性和复杂性,给目标跟踪技术带来了巨大的挑战,因此目标跟踪技术的研究仍是一个极具科研价值和挑战性的课题。目标跟踪技术的难点是保证算法对各种复杂场景的适应能力,并兼顾算法的性能。本文针对目标跟踪的技术难点,在相关工作的基础上,从目标特征和跟踪模型上进行研究,以提高算法在各种复杂跟踪场景中的鲁棒性和准确性,并在此基础上尽量提升算法的实时性。本文选取生成式跟踪方法中的Mean Shift跟踪框架和判别式跟踪方法中的相关滤波跟踪框架进行研究,主要研究工作和成果如下:(1)在Mean Shift跟踪框架下,针对跟踪场景中背景干扰和遮挡对跟踪算法性能和鲁棒性的影响,提出了一种基于多通道提取AHLBP(Adaptive Haar Local Binary Pattern)纹理特征的目标跟踪算法。本算法在分析了HLBP(Haar Local Binary Pattern)纹理在表达图像特征中存在的缺陷之后,考虑图像局部视觉信息,提出了自适应阈值的HLBP纹理特征提取方法,提高纹理信息对图像内部结构信息的有效表达。同时为了获得丰富的、深层次的纹理信息,对目标进行描述,我们从目标区域的彩色空间下分离出各颜色通道的灰度图像,然后分别进行纹理信息的提取,建立准确而完善的目标模型,最后在Mean Shift框架下实现目标跟踪。实验结果表明,本算法能够充分利用纹理特征,使得跟踪算法在背景干扰、目标遮挡等复杂场景下保持良好的跟踪性能和鲁棒性。(2)在KCF(Kernel Correlation Filter)跟踪算法中,针对目标周围出现相似物或者噪声干扰等易造成目标定位失败,算法性能下降问题,本文提出了基于局部多峰定位和模型更新策略的KCF跟踪算法。首先从KCF算法跟踪模型中的目标定位原理出发,分析了多峰响应图下目标定位失效的原因,进而提出了以筛选有效候选目标位置和重检测为核心思想的局部多峰定位策略,提高目标定位的准确性。另外,利用响应图对目标和候选目标相关性的反映,引入两个模型参数更新指标,设定新的模型参数更新策略,减小不准确定位结果对模型的腐蚀。通过与主流跟踪算法大量对比实验表明,所提算法对复杂场景中的目标跟踪任务有良好的适应能力,具有更好的跟踪性能和实时性。