目标跟踪是计算机视觉领域的一个重要研究问题,应用范围包括视频监督,交通监控、无人机系统、医疗诊断和导弹制导等。虽然在过去的数十年中,目标跟踪的研究已经取得了长足的进步,但由于存在着不可预知的外观变化,例如部分遮挡,光照改变,几何变形,背景杂波,快速运动等,该课题的研究依然面临着很多难题和挑战。一个典型的视觉跟踪流程首先开始于目标在视频第一帧中的初始位置(如一个矩形跟踪框),随后对该指定目标在后续帧中的位置进行估计。基于子块的方法对局部表观变化(特别是部分遮挡)所显示出的鲁棒性使其成为近期跟踪研究热点,该方法将跟踪目标的候选区域划分为多个子块,从这些已被辨识出的可靠子块中提取一些有用的线索。然而,在各子块之间的大范围空间依赖性的捕捉过程中,可能会遭遇到一些难题,特别是对有着一个较大的同质区域的目标更是如此。为解决上述问题,本文提出了一种高鲁棒性的跟踪方法,即:多方向递归神经网络的相关目标跟踪方法,采用多方向递归神经网络(RNN),从四个不同的角度对所有子块进行空间编码。考虑到实际应用,本文还考虑了在FPGA上的目标跟踪,在FPGA上的目标跟踪算法必须可靠、实时,满足一定的跟踪精度,具有一定的可操作性。提出的目标跟踪算法结合了Harris法和光流法。首先使用Harris方法提取一些目标角特征,然后使用光流方法为后续视频帧更准确地匹配角特征。当旋转或扭曲被跟踪目标时,采用重心算法计算目标的那些匹配特征的重心。为了满足实时跟踪的要求,还设计了一种小区域图像搜索方法和高速数字信号处理系统。此外,本文还在基于流的架构上,开发了基于粒子群并行重采样的目标跟踪算法。在输入图像的有效像素区域中完成重采样,同时在一个同步化区域中执行粒子的预测和更新。因此,提出的方法无需使用任何外部存储设备即可实现VGA图像的60 fps实时性能,并与相机像素吞吐量同步。实验结果验证了所提方法的有效性,可为某些工程应用提供参考价值。