在计算机视觉发展越来越快的今天,目标跟踪广泛运用在军事侦察、地图测绘、视觉导航等多个方面。目标跟踪算法需要在跟踪开始前选定跟踪目标并提取目标模板;在跟踪开始后,根据目标模板预测目标在最新一帧图像中的位置。在复杂场景下进行目标跟踪会遇到目标尺度变化、目标受遮挡、目标快速运动、目标形变与相似目标干扰等问题,从而影响跟踪效果。本文对核相关滤波器(Kernel Correlation Filter,KCF)跟踪算法进行改进,使其在目标发生尺度变化、受遮挡、形变与光照变化等复杂环境下有较好的跟踪效果,所做工作如下:(1)KCF跟踪算法在目标发生尺度变化或受长时间遮挡时无法准确跟踪目标。针对上述问题,本文提出了抗遮挡与尺度自适应的改进KCF跟踪算法。算法首先利用快速尺度估计对跟踪目标进行尺度变换。其次,当检测到目标受到遮挡时停止更新目标模型,融合加权窗口滤波器对目标位置进行预测,利用预测结果修正目标跟踪区域。最后,将算法移植到Guidance视觉平台上并为其设计跟踪实验,实验结果表明该算法能够有效解决目标尺度变化与目标受遮挡等跟踪问题。(2)为提高KCF跟踪算法在目标形变、光照变化等复杂背景下的跟踪效果,提出融合背景目标的改进KCF跟踪算法。首先,结合运动区域分割与颜色特征在动态背景中提取与目标颜色相近的背景目标。其次,利用时空上下文模型(Spatio-Temporal Context,STC)进行位置预测,将预测结果与原KCF跟踪结果按条件进行融合得到目标最新位置。最后,在每次更新目标位置后对各个背景目标的权值进行更新分析,不满足要求的背景目标将会被舍弃。实验结果显示改进算法在光照变化、目标形变等复杂环境中有较好的跟踪效果。