目标跟踪是计算机视觉领域中一个重要且富有挑战性的研究课题,它通过对视频中特定目标的定位与跟踪,为进一步的行为识别分析提供支持。目标跟踪算法涉及领域极广,是机器学习、图像处理、模式识别和计算机技术等学科的结合产物。近些年来,随着计算机技术和现代传感器技术的快速发展,目标跟踪技术在视频监控、智能交通、人机交互、行为分析、医疗诊断、军事制导等行业有着良好的应用前景,同时也吸引了大量的科研人员从事这一领域的研究工作。尽管目标跟踪算法的研究工作在过去几十年里已经取得了较大的进展,但是由于跟踪场景中光照强度变化、目标尺度姿态变化、遮挡、快速运动模糊和背景杂乱等多种挑战因素的存在,开发出一种既能精准稳定地跟踪目标又有较高实时性能的目标跟踪算法仍然十分困难。本文是针对目标跟踪领域目前所存在的问题,所做的关于基于检测的单目标跟踪领域的研究工作。文章首先介绍了研究背景、领域的发展历史以及领域内几种比较经典主流的算法,经过大量的分析对比之后,创新性地提出了两种鲁棒性较好的算法。通过大量的实验分析论证,并与多个比较前沿的跟踪算法从多个方面进行了对比分析,从而突出了本文所提出的算法的优越性。本文的主要研究内容和创新点如下总结如下:1、基于局部线性约束的算法采用LLC编码方式来编码图像局部块,构建目标的局部表征字典,相较于稀疏编码方式,LLC编码不仅有解析解而且能够保证解的局部性,而对图像块进行编码能够克服部分遮挡的问题;此外,为了得到更加鲁棒的特征表征,算法采用多尺度的空域金字塔方式来进一步处理编码系数,而最终的特征向量不仅能够表征图像的局部信息,而且也能够捕获图像的全局信息,这无疑能够提高特征区分于背景的能力;最后算法利用基于图的流形学习算法来对所有候选样本进行排序,从而选择最优的目标候选。综上,该算法创新性地提出了一种有效的特征构建方式,并基于此利用流形学习的方式来挖掘目标潜在的流形结构,从而更准确地选择最佳候选。2、基于核相关滤波器的Boosting算法是基于近些年来比较火的核相关滤波器算法的改进。该算法通过多核Boosting的方式将多种不同核或者不同特征的滤波器融合到一起,从而得到更加鲁棒的强滤波器,以更为准确地确定目标最佳响应点,也即目标的中心。此外,原本的核相关滤波器并没有解决目标的尺度估计问题,这里利用增量PCA算法来学习目标的低维表征,并通过采样目标尺度来估计最佳的目标尺度。