目标跟踪是计算机视觉领域的重要研究课题,当目标通过自动或者交互方式给定后,跟踪算法要求在后续图像帧中对该目标图像进行实时、鲁棒性好的定位输出。其中,实时性要求跟踪算法必须提高算法的搜索效率;鲁棒性要求跟踪算法对目标的运动、姿态变化以及场景干扰具有准确的输出。在兼顾实时性的基础上提高跟踪算法的鲁棒性一直是目标跟踪研究中的前沿和热点,同时也是本文的研究目的。传统的方法如Mean Shift方法能够实时地跟踪目标,但没有考虑跟踪过程中可能出现遮挡问题,当遮挡发生时,目标定位准确性降低,研究者提出了相应解决方法,但需要准确判断遮挡的发生和结束。本文研究了由多个模块描述目标进而实现对目标跟踪的多模块目标跟踪算法,通过综合每个模块在候选位置的匹配相似度,提高算法在遮挡情况下的目标定位的准确性,克服了遮挡判定算法中阈值难以选择的缺点。并引入积分直方图降低直方图的计算复杂度,改进匹配搜索策略提高其实时性,并且根据目标与目标周围区域的颜色对比,选择区分度较高的模块进一步提高算法的鲁棒性。传统方法由于采用直方图、轮廓、模板等相对固定的模型,难以适应背景动态变化和物体的大范围运动,本文提出了一种基于前景特征点检测的目标跟踪算法,由特征点创建背景模型,进而分类前景特征点。通过在全局范围内搜索与目标特征点匹配的前景特征点,在局部区域排除背景特征点,能够减少背景特征点对匹配过程的影响,同时使用SIFT-like算子描述特征点进一步减少噪声的干扰。为验证理论结果和算法性能,本文在PC平台上用VC编程实现了本文提出的算法及部分对比算法。通过对大量相关视频的实验,证明了本文提出的算法能够较好地在遮挡和场景动态变化情况下对目标进行跟踪。且算法在保证跟踪鲁棒性的前提下,减少了计算复杂度,能够满足更高层视觉分析任务的实时要求,具有一定的实用价值。