视觉目标跟踪是机器视觉中一个重点研究课题,广泛应用于军事和民用等领域,具有重要的研究意义和研究价值。针对视觉目标跟踪算法中的KCF目标跟踪算法、TLD目标跟踪算法以及深度学习结合KCF算法进行了研究和相应的改进。相关研究内容及结论如下:1)针对KCF算法中单一特征不能很好地适应跟踪过程中出现的复杂场景,以及无法解决目标发生尺度变化的问题,提出融合FHOG和LBP特征的尺度自适应相关滤波跟踪算法。对FHOG特征和LBP特征进行自适应加权融合,实现对目标的定位。再利用尺度金字塔来估计目标的尺度大小。仿真实验结果表明,改进后算法的精确率和成功率有所提高,且具有较好的鲁棒性。2)针对经典TLD跟踪算法,在目标受到遮挡、光照、干扰、旋转和尺度变化的影响,导致算法的跟踪精度降低,计算的复杂度较高,实时性差的问题,提出HOG-SVM的改进TLD目标跟踪方法。将HOG-SVM结合替换原TLD算法中的2bit BP特征和集成分类器;KCF跟踪算法替换中值光流法。在HOG-SVM+KCF跟踪算法的基础上,对滑动窗口法进行改进。仿真实验结果表明,在背景环境变化的情况下,改进后算法的跟踪精度和跟踪速度都有提高,实时性加强。3)针对目标跟踪算法在复杂背景下进行跟踪时会出现特征冗余、信噪比低和尺度变化等问题,提出基于卷积神经网络的多尺度目标稳健跟踪算法。对每层弱跟踪器上的CNN特征赋予不同的权值,通过加权组合成一个强跟踪器,评估出目标在当前帧的位置,并在线更新弱跟踪器的权值参数。再对尺度滤波器进行训练,估计目标的尺度。仿真实验结果表明,该算法具有很好的准确率和稳健性,较好的实现了对目标尺度变化的跟踪。最后,通过在智能监控下的复杂背景视频系列进行了仿真实验,验证三种算法的有效性。图47幅;表9个;参43篇。