随着近几年人工智能的兴起,计算机视觉越来越受到重视。在目标跟踪应用场景中,会出现遮挡、形变、旋转、光照变化、背景模糊等各种干扰,这些干扰所带来的挑战一直是值得研究的课题。现如今已有的目标跟踪算法众多,虽各有所长,但仍然有值得改进的地方。在这些跟踪算法中,DAT算法(Distractor-Aware Tracking)通过统计颜色特征,预先探测出与目标相似的干扰区域和周围区域,然后将其加权相结合,这样有效地降低了传统颜色特征在跟踪过程中出现的“漂移”现象,实现了对背景相似的目标跟踪。但是当目标发生遮挡情况时,由于目标信息的丢失,会导致跟踪失败。针对DAT算法在目标发生遮挡时的不足,本文在原有的DAT算法框架上,提出了一种基于遮挡检测的目标跟踪算法——DDAT(Detection-DAT)算法。DDAT算法引入遮挡检测机制,该机制首先提取目标的颜色特征,建立目标相似度模型,利用相似度模型计算帧间目标的相似度,然后通过相似度差值的阈值来判定目标是否发生了遮挡。当发生了目标遮挡时,启动检测机制,并提取遮挡前一帧的目标相似度模型;在遮挡开始的后续帧中,利用朴素贝叶斯分类器得到较优的候选目标框,最后通过最近邻分类器得到候选目标框中最优的目标区域。提取最终区域目标的颜色特征建立相似度模型,与遮挡前一帧的目标相似度模型比较,计算两帧目标模型的相似度,利用相似度差值判定重定位目标区域是否正确。本文主要在以下方面开展了研究工作:1.阐述了计算机视觉相关的研究背景及意义,介绍了目标跟踪技术的发展历程和跟踪算法的现状与挑战,梳理了遮挡问题的研究方法。2.讨论了目标跟踪的一些基本理论知识,并对DAT算法跟踪过程进行了简单说明,指出了DAT算法的优缺点,同时针对DAT算法在遮挡方面的不足提出改进。3.基于DAT算法框架,提出了具有遮挡检测的DDAT算法。定义了相似度趋势,利用遮挡的阶段性和渐变性两个特性对目标遮挡的开始与结束进行判断,通过朴素贝叶斯分类器和最近邻分类器对遮挡后目标出现的位置进行检测,最后再次利用相似度判别检测的准确性,实现了对目标短时遮挡有效地跟踪。4.在具有遮挡属性的OTB(Object Tracking Benchmark)标准数据视频序列集上进行了定性及定量的实验比较和分析,实验结果表明,DDAT算法有效地处理了因遮挡带来的跟踪失败问题。