运动目标跟踪一直是机器视觉领域的重点研究内容之一,在许多领域都有着广泛的应用,例如智能监控,智能交通控制,无人机视觉导航等。然而,因实际背景复杂多变,导致目标跟踪过程经常受光照变化、背景干扰、目标形状旋转、目标在视野外、遮挡等因素影响,所以,如何精准、快速的对目标进行跟踪仍是国内外学者和研究人员关注的热点问题。开展复杂背景下运动目标跟踪方法研究具有重要的理论意义和工程应用价值。为此,课题针对复杂背景下运动目标跟踪的问题,通过对目标跟踪方法进行改进,来提高跟踪算法的成功率和跟踪精度。研究的主要内容如下:1.目标跟踪过程中,目标物被遮挡、光照变化、目标运动过快、图像上目标模糊和目标旋转将引起目标物外观变化,此外,目标运动速度快、分辨率低将导致搜索区域不足而造成目标框漂移。这些都将使跟踪检测过程中响应图发生异常,从而使跟踪算法的成功率和精度均下降。为此,设计改进的基于高效卷积算子的异常抑制目标跟踪算法,将抑制异常的发生与跟踪器模型的训练过程结合起来,极大地降低了响应图异常的发生,提高了目标跟踪算法的跟踪成功率和精度。2.被跟踪的目标物长时间不在视野内会导致跟踪器模型更新错误,使得跟踪算法跟踪失败而无法继续跟踪。针对此问题,研究了基于HSV颜色直方图的长期目标跟踪方法。使用目标的颜色直方图信息训练一个分类器,通过异常值来分析目标跟踪状态。当目标物被遮挡或消失后,通过分类器在视频帧上进行搜索,搜索到与目标物颜色直方图相似的物体并通过对比置信度来判断是否为被跟踪的目标物,如果判断结果为被跟踪目标物则启动跟踪模块继续跟踪。3.对所研究的算法在OTB-100数据集和VOT2018lt数据集上进行了仿真实验,实验数据表明,本文研究的算法在在改进前后算法的成功率和精度均得到了提高,证明了本文研究的算法在复杂背景下跟踪效果的有效性。