随着智能化设备的兴起,计算机视觉的研究越来越受到人们的关注,而目标跟踪作为其中的一个研究方向,扮演着重要的角色,被广泛应用于智能视频监控、人机交互、虚拟现实、机器人视觉导航、视频剪辑与分析、医学诊断等领域。目前,国内外对一般目标跟踪的研究较为广泛,取得了不错的效果,但对扩展目标跟踪的研究却很少,现有的算法都只能解决特定场景下的跟踪问题。扩展目标与一般目标相比所占视场比例范围较大,在运动过程中除了会出现尺度变化、光照变化、旋转变化、形变等情况外,还有可能会超出视场范围。另外,扩展目标拥有较为丰富的边缘、纹理、形状、关键点等特征,这些特征能够帮助跟踪算法建立一个鲁棒的模型。因此,本文从特征提取与表示的角度出发,对扩展目标跟踪算法进行了深入研究。本文主要研究工作包括:1.介绍了目标跟踪的研究背景和意义,分析了当下国内外的研究现状,重点对判别式方法相关滤波进行了介绍,发现其具有稳定跟踪的优点,可以为扩展目标跟踪提供一个稳定的框架;然后介绍了常见的特征提取与表示方法,对其进行了分类,并通过实验对比分析其优缺点和使用场景;最后深入研究了广义霍夫变换,分析其能够对任意形状的物体进行检测的原理,发现其离散表示目标的方式(R-table)对扩展目标跟踪中的目标模型建立有一定的指导意义。2.将扩展目标跟踪场景分为两类:简单背景和有背景干扰下的场景,然后针对简单背景下的扩展目标跟踪,从广义霍夫变换出发,提出一种基于Harris角点与广义霍夫变换的扩展目标跟踪算法,可对任意选取的跟踪点进行跟踪。算法使用更容易提取且鲁棒性更好的Harris角点建立R-table表,以构建目标模型,形成目标描述子。实验表明,提出的算法在保证精度的同时将速度提高了一个数量级,且解决了广义霍夫变换类方法在跟踪时需要准确提取目标边缘轮廓的困难。3.针对有背景干扰下的场景,提出一种基于相关滤波和改进广义霍夫变换的扩展目标跟踪算法(CF-IGHT)。先利用相关滤波的稳定性进行粗定位,获得目标的大致位置,再利用改进广义霍夫变换(SURF算法进行特征点匹配)的高精度性进行位置修正。在收集的十组飞机序列和OTB2015上进行实验对比分析,发现CF-IGHT算法取得了不错的精度,相比较相关滤波类算法:Staple、SAMF、DSST、KCF和广义霍夫变换类方法OGHT都有了不错的提升,有效解决了相关滤波类算法由于模型受到干扰而引起的跟踪点偏移问题和广义霍夫变换类方法不能适用于有背景干扰的场景的问题。