目标跟踪是计算机视觉领域的一个基本方向,涉及信号处理、概率论、神经网络以及多传感器数据融合等众多理论,具有很强的学科综合性和交叉性。得益于数字和信息化的高速发展,目标跟踪已广泛应用于社会的各种生产和生活中,如安防视频监控、体育运动分析、异常事件检测、人类行为识别、汽车自动驾驶、医学图像处理、移动机器人、影片后期处理以及人机交互等。近年来,相关滤波器被引入到目标跟踪的框架中,并利用循环矩阵和傅里叶域的良好数学性质开辟了目标跟踪领域一个新的发展方向。虽然基于相关滤波器的跟踪方法在精度和速度上均取得了非常显著的效果,但依然存在诸多不足,主要表现在以下几方面:1)跟踪的可靠性问题。对于待跟踪的目标,由于跟踪过程中可能会出现诸如目标被遮挡、模型不够精确、干扰目标的影响以及背景信息的干扰等,这势必会导致跟踪结果出现不可靠的情况,使得目标不能被准确跟踪。为了在跟踪过程中适应目标的外观变化,当前时刻的跟踪结果会用于跟踪器模型更新。而不可靠的跟踪结果会导致模型偏离真实值,如此反复,最终的模型可能会完全失信,跟踪彻底失败。另一方面,目前常规检测可靠性方法大多只对当前图像内的目标检测,只停留在静态检测范围,而目标的快速运动以及杂波干扰等往往是一种连贯性的影响,对两帧之间具有动态的特性没有检测能力。2)模型更新问题。为持续跟踪目标,目标的外观模型必须能适应诸如快速移动、背景杂乱及遮挡影响等场景,因此,需要根据当前场景合理的更新模型参数。大多数跟踪器常设定一个固定的更新速率并以线性插值的方式更新当前模型。尽管这种方法简单,但在每帧并不区分不同场景的变化而采用固定速率更新方法使得模型在遇到具有较大变化场景时容易发生漂移甚至跟踪失败。3)快速尺度估计问题。对目标尺度快速精确的估计是视觉目标跟踪中一个具有挑战性的研究问题。基于相关滤波的跟踪器主要有两种尺度估计方法,SAMF和DSST。SAMF跟踪器采用一个平移相关滤波器的多尺度估计方法,这种方法简单但并不高效,要获得准确的尺度信息,就需要在更加精细的尺度上进行估计,而遍历过多的尺度导致计算量繁重,这与实际应用中的实时性要求相违背。DSST跟踪器采用独立的相关滤波器进行尺度估计的方法。此类方法提出将平移定位和尺度估计分开的策略,除了位置估计的平移滤波器外,还设计了一个独立的尺度滤波器。DSST具有跟踪速度快的优势,但由于使用了固定尺度滤波器作为位置估计,其跟踪精度成为其最大瓶颈。通过深入分析与总结现有基于相关滤波器方法的不足与挑战,本文开展了以下几个方面的研究工作:（1）跟踪过程的可靠性研究。为了检测目标置信度变化的动态特性,并避免跟踪过程中不可靠信息的引入,本文提出一种将平均峰值相关能量阈值和其梯度阈值相结合的跟踪可靠性判断方法。归功于其梯度变化能够反映目标外观变化的动态程度,所提方法不仅具有在当前帧判断跟踪可靠性的“静态”能力,而且还能检测在时间轴上不同的两帧之间目标变化程度的“动态”可靠性,因此该方法在快速运动、背景杂乱等具有挑战性的环境下能很好地捕捉目标的整体运动状态的跟踪可靠性,达到较好的跟踪效果。（2）模型更新方面的研究。针对快速运动目标跟踪适应性问题,提出一种能有效捕捉快速运动的模型更新方法,利用前面可靠性判断研究的成果来动态控制模型更新速率。利用跟踪可靠性因子来动态控制模型更新速率,抑制模型误差过度累积。首先,根据平均峰值相关能量阈值和其梯度阈值来衡量跟踪结果的可靠性。当跟踪不可靠时,修改更新率。不同于传统跟踪方法,本文对平均峰值相关能量的阈值及其梯度阈值进行了增强以增大检测能力。同时,为了尽可能获取更多目标信息,利用初始模板信息辅助修正模型参数。当跟踪可靠性较差时,赋予初始模板较大的权重以增大目标重新被捕捉到的概率。本方法由于能够根据被跟踪目标的变化状态,动态的更新模型更新速率,提高了模型的自适应性,显著的提升了对运动目标的跟踪能力,对快速运动的目标跟踪效果更加显著。另外,初始模板信息的加入使得跟踪器的精度和鲁棒性进一步提高。（3）模拟时域正则化的模型更新方法。针对跟踪模型“过拟合”和退化问题,受时空正则化算法STRCF的启发,本文提出利用前后两帧间模型参数的变化程度对更新率进行自适应控制。该方法简单有效,一方面,避免求解闭式解的同时具有较好的泛化能力。另一方面,所提算法的超参数少,不但调试参数简单有效,而且在减少了控制环节的同时避免了参数间“过拟合”现象的出现,进一步提高了算法的鲁棒性。（4）快速尺度估计的研究。针对多尺度遍历估计的复杂度问题,提出了一种基于尺度变化方向和跟踪可靠性来自适应估计目标尺度的方法。算法基于SAMF的尺度估计方法,将原来的七个固定尺度缩减为三个,并加入一个自适应尺度。采用三种固定尺度来确定尺度变化方向,利用当前帧和前一帧的平均峰值相关能量的变化率来控制下一帧的自适应尺度。根据最大值响应结果确定最优尺度。所提方法一方面避免了DSST算法使用固定尺度滤波器作为位置估计导致其跟踪精度成为其最大瓶颈问题,另一方面减少了SAMF算法尺度因子过多导致计算量大跟踪速度低的问题。通过实验验证,该算法降低了计算复杂性,不但能快速估计出目标尺度,而且跟踪精度较高。