在计算机硬件发展与信息技术的带动下,计算机视觉和图像处理等领域的相关技术算法也取得了巨大的进步。视频跟踪一直是计算机视觉领域的核心研究任务,在人类的生活中也有着广泛的应用。目标跟踪可以看作在一个视频序列中对目标进行持续识别和检测的过程,第一帧通过手动标定或者自动识别确定待跟踪目标,然后利用目标跟踪算法在后续的图像序列中检测出目标的当前状态,包含目标位置和尺寸等信息。但是目标在运动过程中会发生姿态旋转和尺度缩放引起的内在形变,或者存在光照的改变,物体的遮挡,相似背景的干扰等外在因素,这些都会影响算法的鲁棒性和准确性,给目标跟踪技术增加了很大的难度。近几年相关滤波的成功引进使目标跟踪任务取得了很大的进展,准确率的大幅提升与高帧率的计算速度使其成为一种热门的主流的研究框架。基于周期假设的循环偏移生成了大量的训练样本,但也产生了许多不真实的负样本,在一定程度上降低了滤波模板的识别力。因此越来越多的研究者集中在设计复杂的正则化先验以对滤波器进行更强的约束,提高判别能力。本文提出了一种Plug-and-Play相关滤波器(PPCF)融合框架,可以迭代地集成不同的相关滤波跟踪器,将不同的正则化先验进行融合,增强滤波模板的判别能力。通过在视频序列数据库中与现有的基于单个相关滤波的跟踪器进行实验对比,本文方法具有更高的准确性和鲁棒性,从而证明了该算法的有效性。除了滤波器的学习,搜索窗口也是决定目标位置估计准确度的一个重要部分。通常跟踪方法直接将前一帧估计到的位置设为当前帧的搜索区域的中心,而且现有的模型往往依赖简单和固定的正则化表达式来进行滤波器的学习。为了突破这些限制,本文提出了一种鲁棒的基于位置感知和正则化自适应相关滤波器(LRCF)跟踪算法。LRCF建立了一个新的双层优化模型来同时处理位置估计和滤波器训练问题,由粗到细的定位策略结合多种相关滤波器的融合策略,使算法更加鲁棒。大量的对比实验证明LRCF跟踪框架有效地融合了滤波器的训练和目标的位置估计,不仅增强了滤波器,也使目标定位更准确,与目前主流的跟踪算法相比也表现出了最好的性能。