目标跟踪作为计算机视觉的一个重要研究内容,在监控安防、智能驾驶等领域有广泛应用。基于相关滤波的运动目标跟踪算法受特征有限、样本不足和尺度变化等因素的影响,存在跟踪精度不足和实时性较差的问题。针对上述问题,本文算法采用特征融合得到更丰富的特征表达,用样本存储及样本库压缩提升模型表达能力,通过跟踪质量评价和目标位置先验分布减弱背景干扰对模型的影响,最后基于实例分割解决尺度问题,提高了跟踪器性能。特征是相关滤波目标跟踪算法的基础,主要包括手工特征和深度学习特征。由于跟踪精度和实时性不足,以手工特征和单层深度特征为主的目标跟踪算法具有一定的应用局限。本文采用频域特征融合方法,按照频率将不同分辨率的跟踪响应图进行融合,结合卷积神经网络的深层语义特征与浅层纹理特征,提升了跟踪准确性和稳定性。训练样本是相关滤波器的求解基础。传统相关滤波跟踪算法采用跟踪器生成的样本对滤波器进行在线训练,容易造成目标信息丢失。本文采用样本库存储历史样本,通过共轭梯度法对滤波器进行求解,然后基于样本相似度对样本库进行压缩以减小信息冗余;引入跟踪质量评价方法,调整训练样本的先验权重,避免模型漂移,提升跟踪算法的稳定性;利用先验分布排除背景干扰,解决固定相机下的短时目标遮挡问题。目标尺度自适应是目标跟踪算法的重要环节,传统尺度金字塔方法计算量较大,实时性较低。本文采用相关滤波与实例分割结合的二阶段跟踪算法解决目标跟踪的尺度问题。第一阶段在单尺度图像上对目标进行搜索,基于目标位置生成候选框;第二阶段基于候选框提取目标区域的RoI特征,利用目标模板对各层特征进行加权,通过卷积及求和的方式逐层融合深度特征,实现对目标的精细化分割,然后通过最小外接矩形确定目标位置。在OTB100数据集上的实验结果表明,本文算法的跟踪准确率和成功率分别达到0.858和0.641,实时性也得到了一定的提升。最后,总结了本文开展的研究工作,并对未来的研究方向进行了展望。