近年来,随着硬件水平的提高,目标跟踪取得了很大的发展。目标跟踪是指通过对一个视频序列进行分析,计算出所要跟踪目标在每一帧上的位置、大小等信息,为后续如目标识别、行为分析等工作奠定基础。但由于在实际场景中,目标在运动过程中会发生位移、旋转、缩放等复杂的情况;以及目标运动环境复杂,外界光照变化等因素使得目标跟踪的准确性和鲁棒性难以保证。本文以核相关滤波算法为基础,提出一种基于目标局部的跟踪算法:懒交互模式下散乱不规则分块引导的目标跟踪;同时结合卷积稀疏编码提出一种基于目标整体的跟踪算法:基于卷积稀疏编码的目标跟踪方法。并将这两种方法应用于奶牛跟踪。本文主要内容如下:(1)基于局部的目标跟踪,本文设计出一种基于懒交互和散乱不规则分块的目标跟踪方法。首先,采用简单易操作的懒交互方式将目标分成多个散乱分布的不规则分块,并用核相关滤波对每个分块进行初始化建模;然后,基于核相关滤波对每个分块进行跟踪。同时,为了适应目标和环境的不断变化,先对分块模型进行简单更新,当简单更新无法满足目标变换时,对相关分块进行懒交互式重采样,以构建更准确的目标分块模型。最后,对所有分块在新一帧的位置,根据霍夫投票确定目标位置。通过在Tracking Benchmark上的视频进行测试,用于评估不同跟踪方法。实验结果表明,本方法处理光照变化、旋转、复杂背景时能够得到更精准的跟踪结果。(2)基于整体的目标跟踪,本文设计出基于卷积稀疏编码的目标跟踪算法。该方法首先将目标区域向四周扩展2.5倍形成一个扩展区域,基于卷积稀疏编码将扩展区域分成平滑部分和四个拟合程度不同的细节部分。然后基于核相关滤波算法对平滑部分进行初始化建模和跟踪;根据目标区域的初始值及线性组合四个拟合程度不同的细节部分初始化细节部分表观模型,再根据重叠率和欧式距离进行样本与模型之间的匹配确定细节部分跟踪结果。最后在线性组合平滑部分跟踪结果和细节部分跟踪结果,确定目标在新一帧上的最终位置。通过在Tracking Benchmark上的视频序列进行跟踪的结果表明:与现有主流跟踪算法相比,本算法在光照变化、超出视觉范围和遮挡等情况下,更能提供稳定且准确的跟踪结果。(3)目标跟踪应用于很多领域,如智能视频监控、无人驾驶等。本文将目标跟踪应用于农业领域,实现奶牛目标跟踪。针对奶牛在运动过程出现旋转、背景复杂、姿态变化等挑战因素,本文应用懒交互模式下散乱不规则分块引导的目标跟踪算法对其进行跟踪;针对运动模糊、遮挡、超出视觉范围等挑战因素,本文应用基于卷积稀疏编码的目标跟踪算法对其进行跟踪。为后续对奶牛行为进行分析奠定基础。