目标跟踪是计算机视觉技术的一个重要研究分支,被广泛应用于智能交通、视频监控、医学诊断等领域。近年来,相关滤波类跟踪算法凭借高效的计算能力成为目标跟踪领域的主流研究方向之一,学者们在特征选取、稀疏更新、尺度预测等方面对其进行了创新和改进,有效提升了跟踪性能。另外,深度学习类跟踪算法具有跟踪精度较高但跟踪速度极慢的特点,需要额外的图形处理器(Graphics Processing Unit,GPU)进行加速操作。为此,课题针对目标形变、遮挡、光照变化等复杂综合的跟踪问题,从目标特征提取、滤波器训练、目标定位等方面进行改进,设计了在中央处理器(Central Processing Unit,CPU)上能高精度、高实时的跟踪算法。课题主要研究内容如下:(1)提出了融合上下文和重定位的加权相关滤波跟踪算法。该算法研究了梯度直方图特征和颜色属性特征的各自特性,提出了两特征加权融合策略,提高了跟踪精确度;研究了相关滤波算法的样本提取过程和搜索匹配过程,并对目标大小及形状进行分类设计,提出基于多尺度搜索和融合上下文特征的目标分类跟踪算法,进一步提高跟踪精度;针对目标定位失败现象,利用峰旁比和帧差原理确定合理的检测机制并进行重定位操作,更进一步提升跟踪准确度。最终在OTB-2015数据集上的平均距离精度为89.2%,平均重叠精度为80.6%,比ECO-HC算法分别提高了约4.2%和2.67%,在CPU上的跟踪速度达65.2 frame/s。(2)提出了基于各向异性高斯分布的视觉跟踪算法。该算法研究了特征分布不同的方形目标和长形目标在训练相关滤波器时的特点,提出使用各向异性高斯函数计算目标期望输出值,提升了跟踪精度;另外,引入了颜色直方图特征预测目标位置的过程,并与原有的梯度直方图和颜色属性特征的定位进行加权融合,得到最终目标位置,进一步提高跟踪准确性。最终在OTB-2015数据集上评估的平均距离精度为89.6%,平均重叠精度为83.7%,比ECO-HC算法分别提高了约4.67%和6.62%,在CPU上的跟踪速度为42.6 frame/s。上述两种改进算法在各项性能指标上均有不同程度的提升,跟踪速度也远高于实时跟踪的要求。融合上下文和重定位的加权相关滤波跟踪算法侧重于目标外观及纹理信息的应用,实现不同目标的个性化跟踪要求。基于各向异性高斯分布的视觉跟踪算法侧重于提升目标特征的表征能力和滤波器的准确性,根本上提升跟踪整体性能。