目标跟踪技术是计算机视觉领域的重要研究内容,在视频监控、人机交互、军事侦察、精确打击、智能交通、增强现实以及医疗诊断等领域都有着广泛的应用。近年来,由于相关滤波跟踪方法其强大的性能,成为当今跟踪方法中研究热点之一。本文开展了自适应上下文背景感知相关滤波跟踪方法的研究。提出了基于卡尔曼滤波的背景感知相关滤波(KDCF),基于卡尔曼滤波的自适应背景感知相关滤波跟踪(ADCF),以及基于卡尔曼滤波的自适应上下文感知相关滤波跟踪(KCAF)论文主要研究内容及取得的新进展如下:1.针对上下文感知相关滤波跟踪方法中背景区域块的选择问题,提出了一种基于卡尔曼滤波的背景感知相关滤波跟踪方法。应用卡尔曼滤波,并在估计的目标位置附近选取背景信息学习到滤波器中。其目标定位仍是响应置性图中的峰值对应的图像位置。通过这样学习的滤波器更具有判别性。仿真实验结果表明,论文提出的方法具有较强的鲁棒性。2.针对上下文感知相关滤波跟踪方法中,背景区域训练的权重分配问题,提出了一种自适应控制参数微调。通过线性运动估计对目标运动方向进行预测,并对目标运动方向的上下文背景区域赋予较多的权重,解决了目标的形变及平面内外旋转跟踪的难题。非目标运动方向上的背景区域仍赋予等值权重。有效的提高了跟踪器对目标及背景区域的辨别性。3.针对相关滤波跟踪方法中无法适应目标尺度变化的问题,提出了一种新的融合了位置估计和尺度估计的自适应尺度更新策略。通过一种新的裁剪机制,从基础样本中裁剪不同大小的尺度样本等权重,将其融合到位置滤波器学习中,并对尺度样本的标签矩阵赋予了新的定义,有效解决了目标尺度变化的问题。4.针对目标跟踪过程中目标发生部分遮挡或者全遮挡导致跟踪漂移甚至是丢失的问题,结合一种新的遮挡判定指标APCE。有效地解决目标被遮挡的问题。通过通用数据库CVPR2013 Benchmark,对论文算法进行了实验验证和性能评估,并与当前主流的一些算法进行对比实验。仿真实验结果表明,提出的算法在精度和成功率两项指标上均优于其他跟踪算法。