目标跟踪是计算机视觉的重要内容,在视频监控、人机交互等中有广泛的应用。目标跟踪的任务是仅给定第一帧目标框的情况下,预测后续图像序列中目标的位置,在形变、遮挡、光照变化等复杂场景下极具挑战性。近年涌现了大量的目标跟踪算法,相关滤波凭借优越的性能而备受关注,但相关滤波跟踪算法的鲁棒性受场景的影响较大。为此,论文针对形变、光照变化场景,围绕基于相关滤波的目标跟踪算法开展研究,主要工作包括:(1)提出了一种基于自适应重要性图和特征融合的相关滤波跟踪算法。HOG特征关注目标的梯度,描述目标的形状,对光照鲁棒;颜色特征能够提取同质区域的特征,对形变鲁棒。考虑特征的互补性和重要性,新算法在每一帧中联合学习滤波器和重要性图。通过重要性图,发挥不同特征的优势,进而提升对光照变化、形变的鲁棒性;同时,为避免过拟合,同一个特征的所有通道共享一个重要性图。此外,新算法为重要性图引入正则项,使用惩罚因子控制特征的重要性。实验结果验证了自适应重要性图的有效性,表明新算法获得了可竞争的精度。(2)提出了一种低秩相关滤波跟踪算法。基于相关滤波的跟踪算法依赖多通道特征获得优越的性能。为降低多通道特征的冗余性,新算法引入低秩滤波器约束,使得多通道特征能够在子空间中表示,以便增强对目标外观变化的鲁棒性。为有效解决新算法的优化问题,论文使用交替方向乘子法求解低秩滤波器。通过实验结果分析,新算法获得了较好的精度。(3)提出了一种干扰区域辅助的相关滤波跟踪算法。循环移动是相关滤波方法的关键环节,但这导致了不精确的表示和边界效应,进而影响了跟踪算法的性能。为减少边界效应,论文使用颜色直方图寻找干扰区域,比如相似目标、嘈杂背景。为充分利用困难负样本增强模型的判别力论文学习对干扰区域低响应的滤波器,以便增强对形变的鲁棒性,避免过拟合。实验结果表明新算法提供了较好的精度。