目标跟踪在智能监控、无人机、移动机器人、智能交通系统等领域有着广泛的应用,因而得到了越来越多的关注,它是计算机视觉研究的重要内容之一。目前主要的跟踪方法有：基于模型的跟踪方法,基于特征的跟踪方法、基于轮廓的跟踪方法以及近些年兴起的基于学习的跟踪方法。在众多的视觉跟踪算法中,TLD(Tracking-Learning-Detection,跟踪-学习-检测)算法在旋转、遮挡、均匀光照等情况下可以较好的对目标进行长时间跟踪。但是在光照变化不均、遮挡严重、跟踪目标模糊等情况下经常出现误跟踪或跟踪失败等问题。针对TLD跟踪算法存在的不足,本文首先提出了一种融合TLD和均匀模式LBP(Uniform Local Binary Pattern,均匀局部二值模式)的跟踪算法-TLD_ULBP算法。在TLD_ULBP算法中,仍然采用跟踪-学习-检测的基本框架。但对检测器部分进行了改进,设计了一个新的分类器-ULBP分类器(均匀模式LBP分类器)。该分类器以均匀模式LBP算子作为基本元素求取样本均匀模式LBP图,并对该图进行分块,求取各个子块归一化直方图,并将这些归一化的子块直方图拼接为一个特征向量,形成整幅图的ULBP纹理特征向量,利用该向量对样本进行分类。当跟踪目标具有较好的纹理特性时采用该分类器取代TLD中的最近邻分类器可以得到更好的分类结果。并为此设计了决策模块,该模块根据目标的纹理特性决定采用最近邻分类器还是ULBP分类器。为了弥补融入均匀模式LBP算子所增加的计算时间,提高系统的实时性,采用卡尔曼滤波器对跟踪目标进行预测,当预测结果被判定为基本正确时,对TLD_ULBP算法的检测器进行搜索范围约束。并且当卡尔曼滤波器预测结果具有一定可信度,且其相关相似度大于TLD_ULBP算法的跟踪结果或者TLD_ULBP算法跟踪失败时,将预测值作为跟踪结果输出。大量的实验证明,通过融入LBP算子和卡尔曼滤波器,改进后的算法相较于原始TLD算法不论在光照变化还是在综合场景中,跟踪的精确度、召回率方面有了明显的提高。