目标跟踪是计算机视觉中一个重要的研究方向,其广泛应用于智能监控、人机交互、军事制导等领域。经过几十年的发展,研究人员提出了许多经典、优秀的跟踪算法,但由于环境的复杂性与目标的多变性,如光照变化、形变、遮挡等,目标跟踪仍然是一个非常具有挑战性的任务。近年来,精度与速度兼具的相关滤波跟踪算法吸引了研究者的广泛关注,其通过傅里叶变换降低算法的时间复杂度,引入循环移位样本进行充分训练,有效地提高了跟踪速度和精度。但由于循环移位样本的虚拟性,当目标出现遮挡、运动模糊、快速运动等现象时,算法的跟踪精度明显降低;此外,其使用固定的更新率进行线性加权更新的方式,易导致错误更新或者无法及时适应目标外观变化。本文针对相关滤波跟踪算法在目标跟踪过程中存在的不足,提出改进并设计实验进行验证。本文主要工作总结如下:(1)提出结合核相关滤波和稀疏原型的跟踪算法。在检测阶段,选取合理的候选样本和计算真实响应值,并结合稀疏原型进行目标定位,以降低循环移位样本产生的负面影响;在更新阶段,根据噪声检测结果选择更新模式,并根据跟踪置信度定义自适应更新率,及时适应目标外观变化和避免模型被污染。实验表明该算法能够有效处理目标遮挡、快速运动、运动模糊等问题,跟踪性能明显提升。(2)提出多策略结合的相关滤波跟踪算法。以多特征的相关滤波器作为基础跟踪器,采用多种特征描述目标以增强在复杂环境中的跟踪稳定性;结合跟踪置信度与目标相似性判断跟踪状态,当跟踪状态正常时更新跟踪器与目标样本库,当跟踪状态异常时扩大检测范围并使用多层筛选机制重定位目标。实验表明该算法对跟踪过程中的多种挑战因素具有较好鲁棒性,并能够在丢失目标时及时找回目标。(3)利用尺度滤波器对上述两种算法进行改进,通过对目标尺度变化的适应,获得更多有效的目标信息和减少周围背景信息的干扰,保证算法的更新准确性,进一步提高算法的跟踪性能。实验表明改进后的算法能够有效适应目标的尺度变化,在多尺度数据上取得比原算法更好的跟踪性能。