运动目标跟踪是计算机视觉的重要研究内容,在智能监控、精确制导、视觉导航等领域具有广泛的应用。尽管国内外研究人员对此进行了深入研究,但运动目标跟踪依然面临若干挑战性问题,突出表现在复杂条件下的目标姿态变化、光照变化、尺度变化、背景复杂、遮挡等因素的干扰。基于此,本文重点研究基于机器学习的目标跟踪算法,主要的研究工作如下:(1)提出了基于二值化规范梯度的TLD目标跟踪算法。在跟踪器中引入基于时空上下文的局部跟踪器失败预测方法和全局运动模型评估算法,提高跟踪精度。二值化规范梯度算法取代滑动窗口搜索策略,结合级联分类器实现目标检测,在保证检测精度的前提下,减少检测器的检测范围,提高了检测速度。将训练样本权重整合到在线学习过程中,提高级联分类器的分类精度,解决目标漂移问题。实验结果表明,与目前主流跟踪算法比较,在复杂条件下该算法提高跟踪精度的同时具有更快的处理速度。(2)提出了一种基于深度学习的目标跟踪算法。该算法以TLD算法为框架,利用增强群跟踪器对目标进行预测与跟踪,提高目标跟踪的精度。P-N学习对样本加权处理,提高分类器的分类精度。深度去噪自编码器和sigmoid分类器构建深度检测器,结合全局多尺度扫描窗口搜索策略检测可能的目标。深度去噪自编码器利用无监督特征学习优化网络参数,迁移学习将学习到的信息应用到在线跟踪中,提取图像的本质特征,同时解决跟踪过程中训练样本不足的问题。在线跟踪过程中,利用分类神经网络将目标从背景中分离出来,利用有监督学习微调网络参数,以适应跟踪过程中的各种变化。使用K均值聚类算法对在线模板集聚类,形成二值树,减少模板匹配数量,从而降低算法复杂度。实验结果表明,与目前主流跟踪算法比较,在复杂条件下该算法具有更高的跟踪精度及更好的稳定性。(3)提出了基于增量深度学习的目标跟踪算法。粒子滤波算法分布粒子集,通过无监督特征学习得到的深度去噪自编码器提取粒子区域特征,表达图像的本质信息。增量特征学习优化粒子区域特征集以适应目标的各种变化并实现粒子区域更有效的表达。增量特征学习由添加特征和整合特征两部分构成,添加特征引入新的特征信息,整合相似特征获得精简的特征表示。线性支持向量机对优化后的特征集进行分类,得到粒子置信度,同时微调深度网络,将粒子置信度最高的作为跟踪结果。引入粒子集规模自适应调整的双重采样过程,解决粒子衰减和贫化问题。实验结果表明,与目前主流跟踪算法比较,在复杂条件下该算法具有更高的跟踪精度以及更好的稳定性。(4)针对复杂条件下基于多示例学习的跟踪算法存在的问题,提出了基于多示例深度学习的目标跟踪算法。针对原始多示例跟踪算法中采用Haar-like特征不能有效表达图像信息以及受到外界条件的影响很容易失效的缺点,利用深度去噪自编码器提取示例图像的有效特征,实现图像信息的本质表达,提高对环境变化的适应能力。针对原始多示例学习跟踪算法中选取弱特征向量不能更换,难以反映目标自身和外界条件变化的缺点,在选择弱分类器过程中,实时替换判别力最弱的特征以适应目标外观的变化。针对原始多示例跟踪算法中运动模型仅假设帧间物体运动不会超过某个范围,不能有效反映目标运动状态的缺点,引入粒子滤波算法对目标进行预测,提高跟踪精度。实验结果表明,与多示例学习跟踪算法及其他主流跟踪算法比较,在复杂环境下该算法提高了跟踪精度和跟踪的稳定性。