随着计算机技术的发展,计算机视觉技术现已成为当前研究的热门问题,已在很多领域得到了应用。虽然目标跟踪技术经过多年的发展,已经取得了长足的进步。但由于跟踪对象运动的不可预知性和所处环境的复杂性,目标跟踪仍然存在许多亟待解决的难点。比如,目标在运动过程中,由于目标跟踪存在遮挡、形变、快速运动等问题。这些因素都会造成目标模型漂移甚至造成目标跟踪的失败。针对复杂环境下运动目标被遮挡时目标丢失问题,本论文对相关滤波算法做出了改进,在KCF算法的基础上增加置信度更新策略和SVM再检测策略,提高算法的鲁棒性。实验表明本文所提算法相较KCF算法在目标跟踪精度与成功率分别提升13.8%和17.4%。当出现目标被遮挡或者目标视野丢失等情况时,本算法仍然可以对目标进行重新找回,实现稳定地跟踪。本文的主要工作如下:1、在目标跟踪的过程中,很多算法没有对跟踪结果进行可靠性的判定,利用不可靠的数据去更新模型,只会使得跟踪器越来越无法识别目标造成模型漂移。针对以上问题,我们对算法进行改进,对跟踪结果进行置信度判定。当判定跟踪目标处于高置信度状态时,可认为跟踪结果有效,此时更新模板。当跟踪目标处于低置信状态时,可认为目标此时可能被遮挡,不再更新模板防止模型漂移。2、当跟踪目标被遮挡、剧烈形变甚至丢失视野时,传统目标跟踪算法无法进行有效的重新检测,从而造成所跟踪的目标丢失,导致跟踪失败。为解决上述问题,我们对跟踪算法进行改进,利用SVM对跟踪结果进行再检测。当目标从被遮挡到重新出现时,可利用上述方法重新寻找到目标,防止目标丢失。3、根据以上理论进行仿真实验,并搭建硬件实验平台。利用无人机单目摄像机选择拍摄感兴趣的跟踪目标,并把动态视频时时传输到下位机进行处理,实现实时目标跟踪。