视频目标跟踪是计算机视觉中非常重要的课题之一,在视频监控、人机交互、交通控制和运动分析等领域有着广泛的应用。尽管目标跟踪在过去的几十年里取得了很大的发展,但是由于一些挑战性因素的存在,使得稳定准确地跟踪视频目标依然是个困难的任务。在这一背景下,本文的主要工作是基于局部与非局部相似性学习的目标跟踪算法研究,本文的主要贡献包括:(1)提出了一种基于局部的自适应权重多特征融合的核相关滤波目标跟踪算法。为了充分利用目标不同部分的局部信息,本文用核相关滤波器来训练每一个局部的模板图像块,并且在粒子滤波的框架下,对每一个粒子的每一个局部图像块设置自适应的权重。实验证明这个策略可以有效处理遮挡问题。另外融合了 HOG特征和颜色特征来学习目标和背景、模板和候选样本之间的相关性,增强了算法的性能。在标准测试集上的实验结果优于一些先进目标跟踪算法。(2)提出了基于非局部相似性学习的目标跟踪算法。局部或者全局的特征表示已经广泛应用在目标跟踪领域。然而,大多数特征表示都是在一个固定网格布局中描述目标外观,而不考虑网格之间的相互关系,因此会影响算法在目标大尺度表观变化时的性能。本文中,我们学习了一个相似性函数,既考虑了来自相同空间位置网格中特征的相关性,也考虑了不同空间位置网格中特征的相互作用,形成对目标表观非局部信息的描述。具体地,本文设计了多项式核特征图来表达目标和背景之间所有“网格对”的非局部信息,并联合这些特征图作为对目标的特征表示。另外,本文训练了一个在线更新的线性逻辑回归分类器,并把分类器融合到粒子滤波框架中。在标准测试集的实验结果明显超出一些当前优秀的目标跟踪算法。