目标跟踪是计算机视觉的重要分支,在人脸识别、智能交通、机器人和无人机等领域已经广泛被应用。其本质是指:利用对图像中出现的特定物体进行特征提取、检测、识别和跟踪等操作,经过解析后获得该物体的运动轨迹,从而为各应用系统提供精准的物体运动参数信息。从目标跟踪的发展历程来看,其主要算法大概可分为三类:经典的跟踪算法、基于跟踪-检测模型及相关性滤波器的算法和利用深度学习的方法。虽然诸多算法已被提出,但目前在跟踪方向上仍然有许多问题亟待解决,其中主要问题是围绕如何平衡跟踪的精度和速度。为解决上述问题,本文提出一种基于相关性滤波器的实时跟踪算法,经过实验验证,取得以下研究成果:首先,采用颜色直方图和经DPM改进的方向梯度直方图作为目标的初步特征。方向梯度直方图是图像纹理信息的描述子,在有光照变化的情况下,能够保证图像信息的局部鲁棒性。而采用DPM改进的方向梯度直方图可以降低直方图的维度,减少本文算法的计算量。颜色直方图是表征图像整体颜色分布情况的特征,在运动目标发生形变和旋转时,可以维持颜色不变性,确保全局鲁棒。因此,将方向梯度直方图和颜色直方图结合起来作为跟踪目标的基本特征,能够保证在光照、形变、旋转等条件下,算法具备较高的准确性。其次,设计线性融合函数,将提取的颜色直方图和改进的方向梯度直方图按权重进行融合得到新的直方图特征。新的直方图特征作为目标跟踪过程中的有效特征,应用于后续的相关性滤波器跟踪过程中。该特征对方向梯度直方图和颜色直方图两种特征按权值结合,使其更能精确地表征图像的纹理信息和颜色信息,从而可以提高算法的跟踪精度。然后,基于融合特征训练一个带尺度更新的相关滤波器模型,预测目标在新一帧中的位置,并依照目标位置对滤波器中的相关参数进行更新。采用相关滤波器根据目标的融合特征预测出目标的初步位置,对该位置进行尺度变换获得多个候选目标,并利用方向梯度直方图特征筛选出尺度最为匹配的候选目标作为本次跟踪的最终结果,同时利用最终结果更新滤波器模板的相关参数。最后,针对本文提出的基于相关性滤波器的实时跟踪算法进行实验比较和讨论。本文提出的算法平均速度达81fps,能够保持跟踪的实时性。并且在光变、遮挡、形变、旋转和尺度变化的情况下,可以降低跟踪过程中的中心误差,提高算法的准确度,使得算法在OTB-50平台上的成功率达到0.761。此外,本文还介绍作者于2016年提出的一种基于Harris角点和颜色矩的改进TLD算法。该算法的主要目的是:利用Harris角点和颜色矩的特性,在维持TLD算法的处理速度上,减少跟踪过程中的中心误差,提高算法的准确率。