单纯采用某种机制的视觉目标跟踪算法,一般总会存在自身的缺点和局限性,这样一旦遇到算法本身无法良好处理的情况时,跟踪算法的鲁棒性难以得到保障,如何长时间稳定地进行复杂运动情况下的目标跟踪,成为一个研究的难点。本文选择TLD算法作为框架,通过多种方式提升了目标跟踪结果和学习样本的准确性:(1)首先,利用多跟踪融合确定学习目标,在同一帧的空间维度上,将中值流方法与KCF算法在跟踪模块中进行融合,以重叠相似度结合保守相似度判断跟踪有效性,并对跟踪框做出相应位置和大小调整,保证学习样本的准确性,同时利用KCF模型计算图像区域的置信度,实现多目标的判断;(2)接着,采用特征匹配来校淮目标跟踪框,在前后帧的时间维度上,优化了 TLD算法对目标变化的适应性,将两帧目标范围内对应的SIFT匹配点的大小变化比例和旋转变化角度统计出来,并根据距离大小加权后求出平均值,以此作为依据进行跟踪框的校准,保证跟踪结果在尺度和角度上的准确性;(3)最后,结合一种三通道相似性与RANSAC级联的匹配筛选方法,将SIFT算法过程中被忽略的彩色图像的三个通道信息利用起来,对原匹配结果进行可信度加权,设定阈值后实现初步符合条件的筛选,再与RANSAC方法级联筛选出更理想的结果,将此方法应用在提升前述目标跟踪框校准的可靠性上。经过实验后可见,本文应用的各类改进都取得了良好的效果,将这些方法融合进TLD目标跟踪算法中,可以有效地提升TLD目标跟踪的准确性和鲁棒性。