目标跟踪技术是计算机视觉领域的重要研究内容,在视频监控、人机交互、军事侦察、精确打击、智能交通、增强现实以及医疗诊断等领域都有着广泛的应用。近几年,随着人工智能的兴起,借助各种机器学习理论,目标跟踪方法和关键技术的研究取得了显著的进步。然而,实际应用场景复杂多变,同一场景同时包含多种干扰,如背景杂乱、光照变化、严重遮挡、目标形变、目标旋转、尺度变化、运动模糊和快速运动等,目标跟踪精度和稳定性难以满足实际需求。因此,研究可适应复杂场景的、鲁棒的跟踪方法和关键技术具有重要的理论价值和应用价值。论文在调研分析国内外目标跟踪方法和关键技术的基础上,以相关滤波跟踪方法为基本研究框架,针对相关滤波跟踪方法和技术在复杂场景下存在的问题进行了深入研究。论文的研究内容和取得的创新性成果如下:1、提出了一种在线学习上下文拓扑结构的目标跟踪方法。现有的目标跟踪方法专注于研究目标表观模型,意图构建更高泛化能力的跟踪模型,使模型能够适应目标表观的动态变化。但是,当场景中含有和目标相似的表观特征时,高泛化能力的模型反而容易遭受相似特征的干扰。论文分析了目标和相似目标间潜在的拓扑关系,提出利用上下文拓扑结构来提升模型对相似目标的判别能力。用相似目标和真实目标的表观模型作为拓扑图的节点,用目标到相似目标的有向连接作为拓扑图的边,构建一个联合学习模型,在线联合学习拓扑图的节点和边。考虑到相似干扰不是必然存在的,在联合学习模型中引入了干扰度权重来反映相似特征对目标跟踪的干扰程度,当相似干扰逃离场景后,对应的干扰度权重设置为0。实验结果表明,该方法可以有效抵制相似目标干扰,尤其是目标被相似目标遮挡时,其性能优于现有目标跟踪算法。2、提出了一种空间各向异性约束的一致性采样相关滤波目标跟踪方法。相关滤波跟踪算法得益于循环采样,在常规场景的跟踪中,其精度和速度比起多数传统跟踪算法得到了显著提升。但是循环采样存在一个固有问题,即循环边界效应。这一效应会随着采样区域的扩大,变得更加严重。循环边界效应限制了相关滤波跟踪模型的采样区域的大小,使模型的判别性受到了限制。此外,现有的相关滤波跟踪算法训练期间没有考虑样本的可靠性,容易将受污染的训练样本引入到跟踪器的训练中,造成跟踪器性能退化。考虑到样本可靠性和循环采样的边界效益,提出了构建时空一致性采样相关滤波模型来解决循环边界效应,通过添加基于遮挡检测的空间各向异性正则化约束来惩罚滤波器中样本污染区域对应的响应。实验结果表明,该方法有效提升了相关滤波目标跟踪算法的性能。3、提出了一种在线学习自适应互补式目标跟踪方法。基于相关滤波的目标跟踪方法有一个固有特性,即对场景的结构信息敏感,这一特性有助于目标定位。但是,当目标经历快速形变时,结构信息在时间上下文的稳定性较差,对模型的泛化能力提出了更高要求,相关滤波跟踪框架因受基本结构约束,很难满足这一要求。论文将场景感知引入到跟踪问题中,构建了自适应互补式跟踪算法。参与互补的两个子跟踪模型,一个侧重场景的结构特征,另一个更关注场景的非结构特征。利用历史跟踪结果训练每个子跟踪模型,通过模型可靠性权重将历史回归模型线性加权,构建一个统一的联合学习模型。设计了在线联合学习方法联合优化求解每个子跟踪模型和其对应的可靠性权重。然后,利用模型可靠性权重的统计特性构建自适应互补权重,实现自适应互补跟踪。实验结果表明,此模型在跟踪具有严重形变、面内旋转和面外旋转的目标时,比现有相关滤波跟踪方法更为可靠。