视觉目标跟踪能够解决目标的运动轨迹定位问题,现在已经广泛应用到智能安防,智慧交通,无人驾驶和生物医学等领域。大量尖端人才的涌现和多方资金的注入促进了视觉目标跟踪技术的发展,在短时间内涌现了许多优秀的视觉目标跟踪算法。但仍无法妥善解决复杂背景下的目标跟踪、长时间目标跟踪、实时性目标跟踪、自适应多特征选择和自适应目标尺度估计等问题。本文基于空间惩罚和相关滤波的视觉目标跟踪算法,结合该领域中的SRDCF(Learning Spatially Regularized Correlation Filters for Visual Tracking)算法,围绕复杂环境下的鲁棒目标跟踪方法开展深入研究。在SRDCF算法基础上提升了跟踪目标的速度,且提升了遮挡情况下跟踪目标的精度。本文的主要工作和成果如下:(1)研究SRDCF算法可能存在的改进方向。SRDCF算法是基于MOSSE和DCF算法提出的改进算法。首先它只是暴力地分为几个指定尺度再依次进行匹配,可以在此基础上进行自适应尺度或超大尺度的研究,跟踪的效果将会有进一步的提升;其次在求解相关滤波器时,它是利用高斯赛德尔迭代法进行在线学习。高斯赛德尔迭代算法可以替换为ADMM(Alternating Direction Method of Multipliers)迭代算法,提升跟踪速度。最后,可以引入遮挡检测,进一步提高跟踪精度。(2)基于ADMM迭代算法对SRDCF算法进行加速改进。首先扩大了搜索区域,是目标区域的25倍。再利用求解速度更快的ADMM算法来替换原来的高斯塞得尔迭代方法,在不损失跟踪性能的基础上加快跟踪速度。在100个具有多种属性的复杂视频序列上,做整体性能评估和各属性的性能评估。整体性能评估实验结果表明本文所研究的基于ADMM的加速SRDCF算法在实现了加速的基础上,同时提升了跟踪的精度。通过各属性性能评估的实验结果,发现本文提出的算法在实现了26FPS实时跟踪前提下,还能够应对多种复杂跟踪环境。(3)基于遮挡检测对SRDCF算法进行改进。改进思路是在SRDCF算法基础上增加跟踪质量检测和后续处理。用PSR(Peak Side Lobe Ratio)和maxF两个指标联合判断是否目标出现遮挡,检测到遮挡时就不更新滤波器,可以防止滤波器被无效的背景信息污染而导致跟踪失败。从实验结果来看,本文中提出的基于遮挡检测的SRDCF算法(后文中也用抗遮挡SRDCF算法作简称),在整体性能评估上优于SRDCF算法,同时也优于另外三种对照算法。