随着计算机技术的不断进步,目标跟踪技术不断完善并且在视频监控,无人驾驶等方面有着广泛的应用,是当前计算机视觉领域的一个热点。目标跟踪算法在背景或相似物体干扰的情况下,准确性会随之下降。因此设计一种对于复杂背景或相似物体有良好适应性的算法就尤为重要。本文以相关滤波类目标跟踪算法为基础,提出了一种基于自适应的时空约束的目标跟踪算法,优化了特征选择。本论文的主要研究工作如下。首先在滤波器训练阶段,目标自身的形变和周围的相似物体都可能对滤波器的求解产生干扰。针对这个问题和边界效应问题,提出了一种自适应的时空约束。时空约束包括空间约束和时间约束。空间约束就是利用样本区域前景和背景的特征直方图区分前景与背景,从而对背景所对应的相关滤波器的值进行约束。时间约束就是相关滤波器的优化要考虑到上一帧图像所求的滤波器,即要约束连续两帧图像所求的相关滤波器相减所得到的矩阵的范数。其次在目标的定位阶段,针对跟踪过程中样本图像被污染的问题,本论文提出一种高置信度条件下的滤波器更新判定机制。完成目标定位后,由滤波器和图像特征的卷积响应可以得到响应的最大值并计算平均峰值相关能量,即Average peak correlation energy(APCE),由这两个值的联合判据来判断在追踪过程中目标区域是否被污染和相关滤波器是否更新。最后引入了深度特征,利用VGG深度学习网络提取深度特征,并利用主成分分析对提取得到的深度特征进行特征通道筛选,降低特征的冗余,利用深度特征训练一个新的相关滤波器。由传统特征训练得到的滤波器确定目标的最佳尺度,目标的中心位置由传统特征和深度特征分别训练的两个滤波器共同决定。为了客观的评价本文中目标跟踪算法,在标准的评价指标下与不同的算法进行对比评价。