视频目标跟踪技术是计算机视觉研究的热门领域之一,目前在人机交互、视频监控、智能交通、军事打击以及医学诊断等各个领域应用广泛。视频目标跟踪算法分为基于跟踪的算法和基于检测的算法。基于跟踪的算法是指利用前一帧中的信息来对当前帧中的目标位置和状态进行估计,能实现局部快速跟踪,但该类方法在跟踪的过程中误差积累容易导致跟踪漂移,并且不能处理目标遮挡以及目标消失重现等问题;基于检测的算法是指通过对当前图像帧的扫描来判断目标的位置和状态信息,能实现全局检测,但该类方法需要线下训练分类器,而且容易出现误检和漏检的情况。由于跟踪过程中存在着光照变化、尺度变换、外观形变以及目标遮挡或消失等一系列难题,无论是基于跟踪的算法还是基于检测的算法都无法独立完成长时间跟踪任务。本文在对相关视频目标跟踪算法进行了深入的研究后,提出了一种基于核相关滤波器的长时间视频目标跟踪算法——K-TLD(Kernelized correlation filters based Tracking-Learning-Detection),利用核相关滤波器作为跟踪器来实现对目标的跟踪,其跟踪速度快,能够实现实时跟踪,在此基础之上添加一个检测器,检测器能利用过去已知的信息来解决核相关滤波跟踪器不能处理的目标消失重现等问题,然后再辅以一个学习器来提高跟踪精度。实验证明,该算法抗漂移、抗遮挡效果显著,能对视频目标进行长时间稳定跟踪。由于移动嵌入式平台计算资源的受限性,直接对其进行算法移植难以满足应用实时性需求。本文在分析K-TLD算法各个模块的耗时后,利用NEON技术强大的并行指令集功能对耗时较多的特征提取模块进行并行优化,满足应用的实时性需求。