随着时代的发展,目标跟踪技术已逐步进入人们生产和生活的多个方面,而如何实现对目标更精准、稳定地跟踪是当前目标跟踪领域中的重点研究内容。其中相关滤波类跟踪方法自提出至今,以其超高的跟踪速率及优秀的跟踪性能被广大研究学者所关注。然而大部分基于相关滤波的跟踪算法在复杂的跟踪场景中表现不佳,无法实现对目标长时间稳定高效地跟踪。因此,本文以相关滤波类跟踪算法为基础,对特征融合方式、目标置信度判断、重定位及模型自适应更新策略等方面进行了深入地研究,并对现有算法进行改进。本文主要研究工作如下:1.针对复杂跟踪环境中单一特征描述能力有限以及加权融合多种特征并不能充分发挥每种特征优势的问题,本文在相似性变换估计跟踪算法的基础框架上,提出一种自适应特征融合的相关滤波跟踪方法,通过利用不同特征训练模型所得响应图中响应峰值的归一化值,来动态分配特征权重。该方法能够根据不同的跟踪环境自适应地调整不同特征的权重,实现特征的有效融合,并增强模型在复杂跟踪环境中的适应能力。2.针对长时间跟踪过程中存在的模型漂移、目标丢失的问题,以及模型更新策略中存在的不足之处,本文在上述自适应特征融合算法的基础上,提出一种长时目标跟踪方法。该方法通过训练一个检测滤波器用于保持对目标外观信息的长期记忆,并结合设置的平均峰值能量归一化值、检测响应峰值对跟踪结果进行置信度判断;然后加入对跟踪结果进行重定位的再检测模块;最后设计一种学习率动态调整的方法,来对模型进行自适应地更新,以此共同提升算法在复杂跟踪环境中对目标进行长时间稳定跟踪的能力。3.本文将提出的算法与现阶段主流的相关滤波类跟踪算法在数据集OTB-2015上进行实验验证,结果表明,本文提出的算法能有效提升跟踪器的跟踪性能,同时也能够在具有多种挑战因素的复杂跟踪环境中,提升长时目标跟踪的稳定性以及准确率。