视频目标跟踪,作为当今社会的前沿技术,在计算机视觉领域占有重要的地位,经过多年的发展,已经在国防、医疗、人工智能、视频监控等方面有着广阔的应用前景。传统的目标跟踪算法由于缺少在线学习功能,只是立足于尽可能提高单次跟踪的时间和精度,一旦目标出现形变、遮挡等情况致使目标跟踪丢失,将不能重新捕获跟踪目标。TLD(tracking-learning-detection)是由Zdenek Kalal博士发明的一种能够对单目标进行长期跟踪的有效算法,该算法只需要较少的先验知识就能实现对目标的长期跟踪。但TLD算法也存在一些不足,在图像目标跟踪时,当被跟踪目标遇到障碍物遮挡时,会出现短期的跟踪漂移现象,为了克服这一缺点,本文利用关键特征点对TLD跟踪算法进行改进,在TLD跟踪模块之前增加了检测器,改进后的算法对抑制跟踪漂移,提高跟踪速度,都有显著效果。本论文主要对长期目标跟踪算法TLD进行了相关研究。首先,介绍了几种典型的图像特征点检测方法,包括Harris、Surf、Fast、Shi-Tomasi特征点,通过实验对比分析了不同检测方法之间的性能。其次,介绍了金字塔LK光流跟踪法和随机森林特征检测,这些都是TLD算法的关键技术环节。然后,介绍了TLD算法的系统构成,着重分析了各个模块的工作原理。最后,针对TLD算法在遇到遮挡时存在跟踪漂移的现象,提出在TLD跟踪模块之前增加检测器,分别用Harris特征点和Shi-Tomasi特征点代替原来的Grid采样点。相比于原来的TLD算法,结果表明,两种特征点检测方法对于抑制跟踪漂移都有显著效果,但是,基于Harris特征点的改进算法在运算速度上不及原算法,而基于Shi-Tomasi特征点改进的TLD算法在抑制跟踪漂移、提高跟踪速度都有很好的效果。