目标跟踪技术作为计算机视觉领域中一项重要的研究课题,其核心在于如何在每一帧图片序列中准确确定目标的具体位置。跟踪-学习-检测(TrackingLearning-Detection,TLD)目标跟踪算法是一种融合了跟踪、检测以及在线学习的算法,能实现对目标的长时间稳定跟踪。但TLD目标跟踪算法在目标遮挡、光照变化、尺度变化以及姿态变化等一些复杂环境下难以达到理想的跟踪效果,为提高算法的跟踪性能,本文主要做了以下工作:(1)TLD算法跟踪模块改进。针对TLD算法中跟踪模块采样特征点表达效果不足的问题,采用Oriented FAST and Rotated BRIEF(ORB)特征点对跟踪目标进行表达,并结合随机采样特征点的方式对特征点进行补充,增强对目标的表达能力,提高算法在跟踪过程中的稳定性。(2)TLD算法检测模块改进。针对TLD算法检测模块时间复杂度过高及分类器分类精度不足的问题,采用Binary Normed Gradients(BING)算法检测筛除不符合条件的候选目标,然后利用方差分类器与极限学习机分类器(Extream learning maching,ELM)以及最近邻分类器组成的级联分类器实现对目标的分类检测,提高算法在跟踪过程中准确性及实时性。(3)改进算法的实现及测试分析。针对跟踪模块与检测模块的改进,本文将二者的改进策略进行整合实现,并在具有不同特点的测试集上与其他跟踪算法进行对比实验,从中心位置误差、重叠率、跟踪成功率以及算法的运行速度四个方面对改进算法的性能进行了评定。