视觉目标跟踪作为计算机视觉领域的一项热门研究课题,在视频语义分析、人机交互等很多现实场合中具有广泛的应用。近年来,尽管研究人员已经提出了很多跟踪算法,但由于目标容易受到形变、遮挡、旋转、光照变化等因素的影响,实现鲁棒的跟踪依旧是一项具有挑战性的工作。本文主要研究利用相关滤波器的目标跟踪算法。通过充分挖掘目标的空间、时间上下文信息,本文实现了两种基于相关滤波器的跟踪算法。主要工作包括:第一,传统的相关滤波跟踪算法利用了单属性的特征,并且无法估计目标尺度。因此,这些方法在目标形变、光照变化等干扰下容易发生模型漂移及跟踪失败。针对这些问题,论文通过挖掘空间上下文信息,实现了一种融合特征和贝叶斯模型的相关滤波跟踪算法。论文中首先提出了一种融合的多属性特征来表征目标的空间上下文信息。这种特征被引入相关滤波器的学习过程,以提升滤波模型的鲁棒性。论文进一步研究了目标的尺度估计问题,并提出一种基于贝叶斯准则的概率模型。该模型能够计算出目标潜在区域的概率分布情况。结合后续的空间分析,论文给出合理的尺度预测结果。此外,本文通过执行跟踪结果可靠度检验,来对贝叶斯模型进行自适应的更新,从而有效的避免了模型的性能恶化。第二,由于目标受到遮挡等干扰时,表观信息缺失,导致相关滤波器的训练受到影响。针对这个问题,论文通过挖掘时间上下文信息,实现了一种历史采样与检测校正的相关滤波跟踪算法。文中分别基于位置滤波和尺度滤波模型估计目标状态,并利用置信度滤波模型,对跟踪结果进行可靠性评价。在此基础上,引入基于检测的跟踪结果校正模块。其中,检测模型利用可靠的跟踪结果,进行在线学习与更新。当由于目标受到干扰而得到不可靠的跟踪结果时,该检测模型能够对结果进行校正,从而降低了模型漂移的风险,并有效的抑制了跟踪失败的发生。最后,论文基于OTB-2013测试集分别对提出的两种算法进行性能测试。实验结果表明,以空间上下文为基础的改进算法在包含25个序列的子测试集上取得了94.5%的跟踪精度以及79.6%的成功率,相比于次优的方法,分别提升了7%及4%;而以时间上下文为基础改进的算法利用全部50个测试序列进行测试。相比于其他算法,该算法的跟踪精度提升了9.5%,位置误差降低了7像素,成功率提升了13%。从其他定性实验结果来看,论文提出的两种算法在目标形变、旋转、尺度变化等各种情况下,均具有一定的鲁棒性。这些实验结果说明了论文算法的有效性。