论文就基于学习、检测的目标稳定跟踪技术展开研究,其目的在于探究目标跟踪过程的基本原理和基本机制,实现对一般目标稳定、有效的长时间跟踪。针对一般目标的跟踪方法研究要求特征具有更好的普适性,在不具有先验知识(无预训练)的情况下对感兴趣目标进行跟踪。而长时间跟踪中目标往往发生各种复杂变化如:光照变化、目标旋转、快速运动、目标遮挡或离开视野等,使这一问题极具挑战。论文针对长时跟踪在特征提取、目标分类框架下的跟踪方法的发展进行回顾与分析,就它们因光照变化、目标旋转、快速运动等目标变化而导致跟踪失败的原因进行讨论。而从文献的综合分析可知,基于TLD(TrackingLearning-Detection)的跟踪算法,将目标特征学习、目标检测与目标跟踪融为一体,在长时间跟踪上表现出优异的性能。因而本文对该算法进行深入剖析,并就其跟踪失败的原因进行分析并对其进行改进,主要包括:(1)针对TLD算法中取用特征不够鲁棒的问题,本文利用LBP旋转不变模式良好的特性对TLD算法的检测模块进行改进。实验结果验证了跟踪效果有所提高,在一定程度上解决了在发生光照变化、目标旋转时出现的跟踪失败问题。(2)针对TLD算法中跟踪失败检测机制在目标发生快速运动时严重影响跟踪结果的问题,本文提出了一种根据目标及图像尺寸自适应调整阈值的跟踪失败检测机制。实验证明,本文提出的这种跟踪失败检测机制可以有效解决目标剧烈运动带来的假性跟踪失败。(3)针对TLD算法中目标模型不够合理的问题,本文利用跟踪结果的置信度对原有的目标模型进行改进。经过置信度加权处理后的目标模型能够更好地表征目标,实验证明本文提出的方法的跟踪结果在中心位置误差、跟踪成功率上均优于TLD算法。本文使用公开数据集对算法进行测试验证,并且以跟踪效果优秀的TLD算法为基线进行对比实验。表明该算法可以有效解决在目标发生光照变化、平面内旋转、快速运动时出现的跟踪失败问题。最后,对该算法进行了全面的分析和总结,并给出了该跟踪算法继续改进的思路。