计算机视觉由目标成像、目标检测、目标跟踪和目标识别四个子课题组成,其中目标跟踪的研究进展较为滞后,其需要应对跟踪场景中各种复杂情形的挑战,如外观变化、光照变化、尺度变化、运动模糊和目标遮挡等。TLD是一种基于检测的在线目标跟踪算法,其具有良好的鲁棒性和准确性。虽然TLD目标跟踪算法实现了对任意未知目标的长时跟踪,但其依然存在一些缺陷与不足。针对TLD算法在应对线性运动的严重遮挡目标时跟踪框易漂移以及中值光流跟踪器粗糙的特征点生成策略致使目标跟踪框易漂移的问题,本文提出了一种线性运动下的增强型TLD目标跟踪算法。首先,当目标发生严重遮挡时,该算法会准确检测到严重遮挡情形,接着利用TLD为Kalman滤波器提供目标状态观测值,Kalman滤波器不断递归从而输出目标的状态;然后,该算法借助ORB特征提取算法生成具有尺度不变性和抗噪性的特征点以此来增强中值光流跟踪器。实验表明,融合了Kalman滤波器和ORB特征的TLD目标跟踪算法对复杂场景中线性运动目标具有更准确的跟踪结果,其中心偏移误差降低了50%以上。针对检测模块耗时严重致使TLD目标跟踪算法实时性差的问题,本文提出了一种基于ViBe的快速TLD目标跟踪算法。首先,该算法利用Vi Be获取当前帧中所有运动物体的大致区域,接着剔除与目标跟踪框大小差异明显的运动物体所对应的包围框,力图通过生成高效的待分类图像块来降低图像块的冗余度;然后,为了使得图像元方差分类器能够更有效地滤除不包含前景目标的图像块,该算法借助目标模型来实现动态化更新图像元方差分类器中原本恒定的灰度阈值;最后,该算法通过改进目标模型的更新策略降低最近邻分类器的计算负担。实验表明,本章所提算法大约将TLD单帧处理速率提高了30%。