视频目标跟踪在机器视觉领域备受关注,研究者们通过多年研究提出了很多先进的目标跟踪技术,但是在实际跟踪过程中,目标尺度变化、运动模糊、快速运动和遮挡等问题仍然是研究的难点和热点。所以,研究出在多种应用情景下鲁棒性高的目标跟踪算法仍然具有很大的挑战性。本文针对因目标尺度变化导致跟踪精度不佳的问题和如何更加有效利用上下文信息以提高跟踪精度的问题进行了研究,主要研究内容如下:针对在跟踪过程中由于目标尺度变化导致跟踪精度不佳的问题,本文在颜色特征跟踪算法的基础下增加了尺度估计策略,分别训练位置和尺度两个滤波器,并改进了更新机制,实现自适应颜色特征尺度跟踪。该算法首先通过最小二乘分类器学习获得位置相关滤波器,计算响应的最大值作为下一帧目标中心位置;接着根据设定的尺度因子在目标中心位置周围形成多个大小不一的矩形区域,计算并学习每个区域的颜色特征,获得尺度相关滤波器;然后根据响应的最大值确定跟踪目标的尺寸;最后对目标的位置和尺寸进行更新。通过在数据集OTB100上进行测试,结果表明,算法在目标尺度变化明显的视频中,多项性能指标均优于改进前的颜色特征跟踪算法。针对上下文感知算法中以同等比例系数对待上下文信息,不能发挥上下文信息的最大价值,增加了加权处理策略,使其能够更加有效的利用上下文信息,提高跟踪精度,并给出了单通道和多通道下原始域中的解和对偶域中的解。该算法主要根据上下文不同区域与跟踪目标运动相似度的大小,计算权值矩阵,赋予上下文区域不同的权值,将目标周围的背景信息和目标特征相融合,共同训练分类器。在数据集OTB100上经过大量的实验测试,结果表明,本算法在跟踪过程中出现的目标尺度变化、运动模糊、快速运动和遮挡等问题上,均优于改进前的上下文感知算法。