自21世纪以来,目标跟踪技术已经应用到各个方面,成为计算机视觉应用领域的一个重要话题。主要应用于交通运输、军事、治安监控、人机交互和医疗检测等诸多领域中,尤其是在治安监控领域的重要作用,更加成为各个国家关注的焦点。尽管在目标跟踪技术的研究与发展中,已经取得了诸多成果,但面对真实世界的复杂场景时,由于会受到目标遮挡、背景干扰、光照变化、外观相似和相机运动等各种因素的影响,它仍是一个非常具有挑战性的任务。针对复杂场景下目标跟踪算法的各种难点问题,本文对现有的算法展开了深入的研究,主要工作如下:(1)针对在线视觉跟踪中的高效特征提取以及模型漂移的问题,提出了一种基于显著性检测的核相关滤波器(KCF)跟踪算法。将颜色特征(CN)和方向梯度直方图(HOG)进行加权融合;并自适应地调节每种特征的权重。对于模型漂移问题,受生物视觉机制的启发,通过视觉显著性算法获得目标的显著区域,并在该区域内进行采样,实现了全局范围搜索,避免陷入局部极大值。(2)为了解决核相关滤波器跟踪算法中尺度固定的问题,本文受TLD跟踪算法的启发,提出了一种基于关键点的模型来在线更新目标的尺度。首先,我们将原有的网格点用目标区域的关键点代替,并通过响应值给不同的关键点分配不同的权重。然后,利用所得到的点集之间的离散程度和权重来估计目标的尺度。(3)针对多目标跟踪算法中经常会面临的各种挑战,如相机的突然运动、遮挡、误检和外观相似等情况,提出一种基于核相关滤波(KCF)的分步关联框架。首先,利用基于卷积神经网络的目标检测器检测目标,获得准确的检测结果。然后,采用加权融合的多种特征,为每个目标建立一个基于KCF算法的快速跟踪器。接下来,通过局部-全局关联算法,分步关联轨迹;并在遮挡的情况下,利用在线随机蕨重新检测目标。最后,利用关联成功的检测信息自适应更新KCF算法中的尺度。