计算机视觉是机器认知世界的基础,是人工智能技术的基本构成。目标追踪作为计算机视觉技术其中一个重要研究方向,其应用领域覆盖范围广泛,包括智能驾驶,智能交通,智能安防,医疗影像等等。由于在跟踪过程中需要处理光照强度改变、遮挡、尺度变化等因素的影响,因此对跟踪器的性能要求较高,如何提高跟踪器的性能,改进跟踪算法,在现阶段仍然具有重要的研究意义。本文旨在研究跟踪-学习-检测(Tracking-Learning-Detecting,TLD)算法,结合了目标检测、目标追踪、学习模块以及综合模块四个部分。针对TLD算法在某些场景下的缺陷,对检测和跟踪模块展开研究,提出了一些改进措施,并进行了实验与分析验证。论文主要完成了以下几项工作:首先,针对TLD算法受光照变化、目标形变等因素的影响,提出了基于LBP(局部二值模式)的TLD目标跟踪改进算法。LBP算法在纹理上有很好的性能特征,在检测模块第二个分类器中,不再利用图像中多对像素值进行比较得到特征描述子,而是利用LBP旋转不变模式计算图像所对应的LBP算子的图像。将检测窗口分为若干区域,计算每个区域的直方图,通过比较直方图中LBP值出现的频率来获得特征描述子。改进后的分类器可以过滤掉更多与目标无关的检测区域,减少了下一个分类器的任务量。同时,当目标具有良好的纹理属性时,改进后的分类器具有更好的分类效果。其次,针对TLD算法扫描窗口数量较大,目标易受遮挡,或晃动因素的影响,提出在算法中使用LSTM(长短期记忆网络)预测目标所在区域。将视频序列的图像特征,以及位置信息作为神经网络的输入。输出时经过全连接网络,根据能否匹配学习分类器,训练网络。利用训练好的模型预测下一时刻的目标位置信息。针对目标交叉运动导致遮挡问题,引入马尔可夫预测器,对目标的运动方向进行预测。将预测到的目标矩形区域与原TLD算法扫描窗口进行比对,交集部分被标记为正样本,其余的区域归为负样本。结合学习模块与综合模块的分析,得到最终的目标位置信息。改进后的算法很大程度上缩小了检测器的检测范围,减少跟踪窗口的数目,增强算法的效率。最后,对若干数据集进行对比实验,由实验结果可知,改进后的跟踪算法相比较原始的TLD,鲁棒性更好,正确帧的精确度更高,跟踪速度更快。