目标跟踪是指在视频的后续帧中自动跟踪由第一帧的边界框指定的目标对象。目标跟踪视频的第一帧初始化是由目标检测结果所提供,而且跟踪的结果可以用于语义分割等其它高层任务。所以目标跟踪作为视频内容分析研究领域的中间层次模块,具有重要的实用价值和广阔的发展前景。目前已被广泛应用于国防建设、航空航天、医药卫生以及国民经济等各个领域。基于相关滤波的算法由于效果好、速度快,一直是目标跟踪研究领域的热点。本文重点研究了其中的核相关滤波跟踪算法,针对比较棘手的目标尺度变化、遮挡、丢失等问题对该跟踪框架进行了改进,取得较好的跟踪效果。本文的主要研究内容如下:(1)提出了结合上下文感知的尺度自适应目标跟踪(CASA)算法。首先采用了颜色和纹理的融合特征,提高了目标特征的表征能力。然后在核相关滤波跟踪框架中加入上下文信息样本,提高跟踪器的鉴别能力。最后利用不同尺度样本学习判别相关滤波器来对抗目标尺度变化。此算法在跟踪定位精度和边界框重合率上都有较好的提升。(2)提出了融合深度网络特征的多检测器目标跟踪(MDDN)算法。该算法使用深度网络的卷积层特征替换CASA算法中的融合特征。首先根据深层卷积层特征的语义信息进行粗略定位,再根据浅层卷积层特征的空间细节精细确定。然后针对目标丢失的情况,加入了多检测器机制,根据前几帧的运动信息有策略地保留历史检测器,综合每一个检测器对应的响应值判断最终目标位置。改进后的算法比CASA算法效果更好,而且在目标消失再出现时能及时地进行重新跟踪。(3)设计本文的演示软件。可以让用户更加直观地了解本文提出的两种算法的视觉跟踪效果,以及与其它经典算法的对比情况。本文提出的两种目标跟踪算法,在OTB100视频库上都进行了验证。在具有不同跟踪属性的视频序列上跟踪性能均有显著提高。