目标跟踪是计算机视觉领域的一个重要研究课题,广泛应用在安防监控、军事侦察、人机交互以及自动驾驶等领域。为了减少跟踪丢失的概率,提高目标跟踪的精准度,许多学者对该课题展开了深入研究,使目标跟踪在近年取得了迅速的发展。相关滤波类跟踪算法因其判别能力强和运算速率快的特点而成为了目标跟踪的重要研究方法之一。但受限于复杂跟踪环境下的干扰,相关滤波类跟踪算法在目标尺寸变化、目标遮挡、相似背景干扰以及快速运动等场景下的跟踪精准度需要进一步提高。因此,本文重点研究分析目标尺寸变化和目标遮挡两个关键跟踪难点,并从尺寸估计、目标状态以及模型实时更新等方面提出改进。本文的主要研究内容如下:1.针对相关滤波类跟踪算法中对目标尺寸跟踪精准度不足的问题,本文提出了使用数据集训练的尺寸估计网络。首先分析总结了滤波类跟踪算法使用尺寸滤波器跟踪存在的问题;然后,提出了改进的尺寸估计网络,网络利用深度特征网络提取图像的深度特征,通过伪孪生神经网络结构计算候选边界框感兴趣区域交叠比,优化处理交叠比值得到目标尺寸;最后,运用尺寸估计网络的跟踪算法结合了判别目标和背景的位置滤波器,并在OTB-100和VOT目标跟踪数据集上进行实验验证。实验结果表明,改进的目标跟踪算法在跟踪精准度上得到提升。2.针对相关滤波类跟踪算法在目标遮挡场景下跟踪丢失率较高的问题,本文提出了目标遮挡判别式和自适应滤波器更新方法。首先,分析总结了滤波类跟踪算法在遮挡场景下跟踪失败的原因;其次,提出了目标遮挡判别式,通过跟踪目标连续多帧特征的相关性值与实验取得的遮挡判定阈值之间的大小判断目标遮挡状态;当目标相关性值小于遮挡判定阈值时,本文认为跟踪目标发生了遮挡,通过自适应滤波器更新方法,以控制滤波器更新速率的方式降低遮挡物体在模型更新阶段的权重值,从而提高滤波器鲁棒性。实验结果表明,使用自适应滤波器更新方法对跟踪精准度提升效果不明显,当有遮挡物体干扰时,滤波器更新速率不是降低滤波器判别能力的主要因素。