视觉目标跟踪是计算机视觉研究中极其重要并极具挑战性的工作之一,广泛应用于智能视频监控、无人驾驶、运动分析、服务机器人等众多领域。当前的机器人应用背景中,通常采用单目标跟踪,故本文研究的主要任务为单目标跟踪。由于视觉目标跟踪的准确性会受到非约束环境的影响,如光照变化、运动模糊、遮挡、尺度变化等。因此,本文对视觉目标跟踪技术在非约束环境下的研究具有重要的意义与广阔的应用场景。首先,本文阐述了视觉目标跟踪技术的国内外研究现状,归纳了视觉目标跟踪的关键技术,总结了当前视觉目标跟踪算法的不足,明确了本文的主要研究内容是特征提取和跟踪模型优化。随后设计了非约束环境下视觉目标跟踪系统的总体方案,并着重分析了现有的跟踪目标状态初始化技术。针对跟踪目标受到光照变化、运动模糊、遮挡、尺度变化等非约束环境干扰时,单一特征提取算法不能有效提取目标特征的问题,本文提出一种基于参考独立成分分析(Independent Component Analysis with Reference,ICA-R)的多特征融合算法。首先,利用微调后的中等结构卷积神经网络(Visual Geometry Group Network in Medium,VGG-m)得到深度特征,然后结合ICA-R将其与传统手工特征进行融合,并利用仿射变换增加多个视角,从而扩充原始图像的三维信息,得到更具判别性的特征。实验结果表明,利用深度特征与传统手工特征融合的方式能够很好地区分背景与目标,同时获得很好的跟踪精准率、跟踪成功率和跟踪准确率。为了解决核相关滤波(Kernel Correlation Filter,KCF)跟踪模型在跟踪目标受到光照变化、运动模糊、遮挡、尺度变化等非约束环境下易导致跟踪失败的问题,本文提出一种改进的核相关滤波器与模型自适应更新的视觉目标跟踪算法。首先,本文提出一种多权值核相关滤波器,并结合目标之前帧序列中响应值的大小,快速对当前帧进行尺度估计。其次,在模型更新阶段,提出一种基于图像块中心移位欧氏距离的自适应更新策略,减少模型训练时不必要的计算,从而加快跟踪速度。实验结果表明,该算法的跟踪精准率、跟踪成功率与跟踪准确率均有提升,且在光照变化、运动模糊、遮挡、尺度变化等非约束环境下表现出更好的鲁棒性。最后,本文构建了基于视觉目标跟踪的服务机器人控制系统,将视觉目标跟踪的结果转换为相应的控制指令,完成了在智能服务机器人上的集成实现。实验结果表明,本文的视觉目标跟踪算法具有较好的准确性,能够有效控制服务机器人运动。