在目标跟踪(Object Tracking)过程中,被跟踪目标始终处于运动状态,在动态场景(Dynamic Scene)下被跟踪极易发生目标遮挡(Occlusion,OCC)、快速运动(Fast motion,FM)、运动模糊(Motion blur,MB)、尺度变化(Scale variation,SV)、变形(Deformation,DEF)、球内旋转(In-plane rotation,IPR)、球外旋转(Out-of-plane rotation,OPR)、出视野(Out of view,OV)、场景复杂的光照变化(Illumination variation,IV)、低分辨率(Low resolution,LR)、背景杂乱(Background clutter,BC)等。在如此复杂的动态场景下,容易发生模型漂移,造成跟踪失败,严重者会造成永久性失跟。本文以目标跟踪的相关滤波(Correlation Filters,CF)类算法为基础对目标跟踪中的模型更新(Model Update)和多特征融合(Features Fusion)进行深入的研究。本文提出了三种新颖的目标跟踪算法,提高了模型鲁棒性,改善了模型的漂移问题,并保证了实时性跟踪。主要工作如下:(1)在动态场景下,被跟踪目标表观特征多变,极易使观测模型污染,导致模型漂移。本文提出了一种新颖且使用手绘特征的可改善动态场景下观测模型漂移的鲁棒性相关滤波视觉跟踪算法。当被跟踪目标发生遮挡等情况时,特征响应图会出现多峰,并非所有峰值都会对跟踪效果造成影响,对主峰影响最大的是次峰值,本文使用一种新颖的特征响应图主次峰检测的方法检测对模型更新影响最大的特征响应图次峰。然后使用一个新的且在相关滤波跟踪算法上具有良好鲁棒性的置信度函数,对是否进行模型更新进行自适应判别,有效地降低了模型被污染的概率。反之亦然。(2)同样对于模型更新问题。本文考虑到目前大多数目标跟踪模型在模型更新方面采用固定学习率的线性插值法。这样虽然模型可以保留之前大量的图像帧信息,但同时也很容易将背景信息学习进模型,造成模型被污染。本文提出了一种新的自适应模型更新方法,首先使用余弦相似度量方法构造置信度函数,判断当前帧检索目标与期望输出目标之间的差距;再者使用高置信度预测帧图像构造判别数据集,判别数据集中的图像通过投票机制进行更新;最后根据预测图像的置信度值输出自适应学习率。置信度值越低,此预测图像中有效信息越少,那么就降低了模型更新的学习率。反之亦然。(3)目前在目标跟踪领域,绝大多数跟踪算法不再使用单一的目标特征,而是使用目标多特征。但是在多特征融合方面均使用简单的线性相加,这会极大地损伤动态场景下的跟踪算法的性能。本文以目标跟踪中的Staple算法为例,提出了一种基于概率模型的多特征自适应融合跟踪。首先通过目标的前景与背景比率构造目标概率模型,而后通过所得概率值与相关阈值的关系选择均值化自适应融合系数或指数自适应融合系数,并计算融合系数值,实现对多特征的自适应融合。并且为了展现不同融合系数阈值对实时跟踪的影响,本文使用MATLAB的GUI模块设计了基于概率模型的自适应融合互补学习跟踪系统。本文使用OTB(Online Object Tracking)类数据集中的OTB-2013(又称OTB-50)和OTB-2015数据集以及Temple Color 128数据集对所提出的算法进行实验分析。通过与同时期的优秀跟踪算法进行性能对比,并进行定量和定性分析。实验结果表明本文基于模型更新和多特征融合提出的三种跟踪算法均表现较优,在跟踪准确性上均有一定的提升,并且全部实现了实时性跟踪。