作为计算机视觉领域的研究热点,视觉目标跟踪技术被广泛的应用于智能监控、人机交互、军事打击等领域,具有重要的应用价值和发展前景。由于跟踪环境的复杂性,如遮挡、尺度变化、光照变化、快速移动等因素都会影响算法的性能。本文以解决目标跟踪过程中的遮挡问题为研究重点,着重研究和分析了基于核相关滤波类的跟踪算法,针对其存在的问题进行改进,本文主要贡献如下:(1)针对跟踪过程中由于目标被部分遮挡导致的算法性能下降的问题,在KCF算法的基础上提出一种多特征融合的尺度自适应分块跟踪算法。首先从目标中心划分子块,使用融合梯度特征和颜色特征的局部核相关滤波器单独跟踪每个目标子块,并结合目标子块与整体间的位置约束关系得到目标中心位置的粗略估计,然后由全局滤波器用作初始估计以确定目标中心的精确位置。其次,通过相邻两帧间对应子块位置的变化来计算目标的尺度。实验结果表明该算法与原始核相关滤波算法KCF相比,整体距离精度提高了7.4%,重叠精度提高了7.8%。(2)针对跟踪过程中目标被全部遮挡或运动到视野外后再现情况下的跟踪问题,提出一种基于模型更新与目标重检测的长期跟踪算法。首先计算每一帧跟踪结果的置信度,当检测到跟踪失败时启动目标重检测模块,通过归一化积相关算法(NCC)在重检测区域获取备选目标集合,然后利用全局滤波器逐个计算候选目标响应并从中选取可靠目标作为重检测结果,同时根据跟踪置信度分段调整分类器的学习速率。实验结果表明本文最终算法与原始核相关滤波算法KCF相比,整体距离精度提高了11.7%,重叠精度提高了16.2%。(3)为验证本文提出算法的应用价值,将其应用到无人机目标跟踪过程中。无人机飞行过程中由于高度变化、飞行范围广、背景复杂等因素极易导致的目标被遮挡或者运动到视野外的情况。本章首先在无人机视频影像数据集UAV123上对本文算法进行仿真测试,然后通过四旋翼无人机将拍摄到的图像传输到Matlab平台进行处理。实验结果表明,本文算法能够准确跟踪到地面的运动目标,特别是在遮挡和尺度变化的场景下的跟踪效果更好,证明该算法有一定的应用价值。