随着计算机视觉的发展,生活中对目标跟踪的要求越来越高,所以对目标跟踪算法的要求也越来越高。已有的目标跟踪算法已经可以解决大部分简单情况下的目标跟踪,但是仍有许多情景下的目标无法做到准确跟踪。所以,每年仍有许多新的目标跟踪算法被提出。相关滤波目标跟踪算法是根据相关性原理提出的目标跟踪算法,具有高效、高鲁棒性等特点,是一类十分优秀的目标跟踪算法。但是,该算法仍有一些问题需要改进,如搜索域的确定、特征提取方法的确定、对形变或快速移动的目标容易丢失、遇遮挡物目标容易丢失等。本文针对相关滤波目标跟踪算法的不足之处,特别选取了其中的CSK算法进行算法优化,对搜索域的确定、特征提取方法的确定、形变或快速移动的目标容易丢失等问题进行改进。本文主要的工作与创新点如下:(1)首先对计算机视觉领域的目标跟踪进行分析,描述了现状与仍需解决的问题,再具体介绍了相关滤波目标跟踪算法的思想与原理,描述其具体流程与几种相关算法,并提出了相关滤波目标跟踪算法目前的不足之处;然后介绍了图像特征提取的概念,列举了几种常见的特征提取方法;接着详细推导基于循环矩阵结构(CSK)算法的公式,阐述了该算法的核心思想与具体步骤。(2)本文主要针对CSK算法进行改进。为了更好地训练相关滤波器,提取更好的特征来表示目标,利用熵的性质进行了搜索域大小的自适应选择,针对每一帧的目标可以得到适合该目标大小的背景区域,提高了算法的精度;针对传统的相关滤波目标跟踪算法一般只进行单一特征的提取,为了使对跟踪目标的表示更加可靠,本文采用了方向梯度直方图(HOG)特征与颜色特征(CN)特征两种方法并行提取的方法,在经过相关滤波器得到输出后再确定选取哪一种方法作为特征输出,这样在许多复杂环境下仍然可以得到高鲁棒性的跟踪;针对算法中的正则化系数,为了使计算过程中的正则化项更接近高斯分布,将该常数改进为一个二维高斯矩阵,提高了计算精度;传统的目标跟踪算法经常出现目标丢失的情况,为了减少此类情况发生,提出了再检测的概念,对每一帧计算出的目标中心点进行检测,若检测出中心点偏移,则进行重新定位,得到更加精确的目标中心点,此方法大大提升了目标跟踪的精确度。(3)针对本文所有改进,将改进算法在数据集上进行测试验证,并与其他算法进行对比分析,结果证明了本算法的有效性。