运动目标跟踪是图像处理和计算机视觉领域的一个重要研究课题,其主要任务是在一组给定初始目标位置的连续视频序列中确定被跟踪目标的位置。随着计算机性能的不断提升以及深度学习技术的快速发展,运动目标跟踪技术取得了很大的提升,其中相关滤波目标跟踪算法取得显著性的研究成果。然而,在实际场景中往往会遇到巨大形变、目标遮挡、光照变化和运动模糊等复杂外界因素,现有的运动目标跟踪算法很难兼具准确性和鲁棒性。针对运动目标跟踪算法存在的一些问题与不足,本文主要对相关滤波算法进行理论分析和研究,充分利用其性能优势,从特征选取、模型更新及重检测等多个方面进行一系列的创新和改进,主要工作如下:(1)本文提出一种自适应融合多特征的相关滤波目标跟踪算法。该算法充分利用多种不同特征的性能优势,以此来解决单一传统特征无法全面表征目标而导致不能较好地适应光照变化、巨大形变以及背景杂乱等复杂场景的问题。首先,将方向梯度直方图(HOG)特征和颜色直方图特征在响应图层面上进行固定权重的融合,然后再将其与卷积特征的响应图进行自适应权重融合得到最终响应图,最后根据该响应图的最大峰值确定目标位置。此外,为了适应目标的尺度变化,通过单独学习尺度判别相关滤波器来估计目标的尺度变化。在模型更新方面,该算法通过预设的固定阈值作为更新条件,实现模型的稀疏更新,避免模型错误更新而被污染。本文所提算法在OTB-2013标准数据集上进行实验,其实验结果表明本文所提算法在精确度和成功率方面有较为明显的提升,而且在光照变化、巨大形变以及尺度变化等复杂场景的挑战下表现得较为鲁棒,同时也验证了所提算法基本满足了实时性能。(2)本文提出一种结合重检测机制的多特征相关滤波目标跟踪算法。该算法针对上述自适应融合多特征的跟踪算法很难应对完全遮挡、超出视野和运动模糊等挑战因素的问题,引入了一种多峰检测和SVM分类器的重检测机制。除此之外,算法还对使用固定阈值的模型更新策略进行改进,提出一种自适应模型更新策略,使用响应图最大峰值和响应图APCE值作为模型更新条件,进一步提升模型质量。本文所提算法在OTB-2013和OTB-2015标准数据集上进行实验,其实验结果表明本文所提算法比大多数主流的目标跟踪算法有大幅度提升,并且在完全遮挡、出视野以及运动模糊等复杂场景下表现较为鲁棒。