目标跟踪一直都是计算机视觉领域中热点研究的问题之一,其目的是基于当前时刻已知的目标位置预测目标的后续运动轨迹。而在实际场景中,因为目标自身的变化,背景信息干扰以及遮挡等因素,跟踪器会因为不恰当的模型更新策略将背景噪声引入到跟踪器模板当中,这会大大削弱跟踪器的识别能力以及对噪声的抗干扰能力,导致出现模板漂移现象,最终跟踪失败。本文主要针对遮挡环境下跟踪结果的置信度判别、模型更新策略以及跟踪再检测等方面对目标跟踪算法进行研究。论文主要工作如下:(1)Staple跟踪算法采取的逐帧更新的模板更新策略引起的模型漂移极大地影响了目标跟踪算法的鲁棒性。而基于大量的观察实验,我们发现稀疏的模型更新策略可以有效地避免模型漂移,并提高跟踪器的速度和鲁棒性。本文提出了一种基于周期内最大响应值的稀疏更新策略。首先,基于一定周期内跟踪结果的最大响应值的变化规律来判断当前周期内跟踪结果的置信度;其次,基于该周期内具有最高置信度的跟踪结果更新目标模型。实验结果表明,尤其在处理遮挡和严重变形时,本文算法均优于主流的目标跟踪算法的性能。本文算法基于OTB100基准数据集的AUC为0.633,对比基础算法Staple的AUC提高了9%。(2)当目标被遮挡时,由于背景信息极大的干扰了目标的表观特征,仅凭目标本身的特征信息无法稳定的跟踪目标。因此本文在相关滤波目标跟踪算法的基础上并行集成了一个SVM检测器,基于自步学习机制分别标记“简单”样本和“复杂”样本,并利用历史视频帧序列中的正负样本不断更新优化SVM检测器。当置信度判别当前周期内视频跟踪结果不可靠时,SVM检测器对当前周期内的所有的视频帧序列进行重检测,将重检测结果与相关滤波器的跟踪结果进行对比,并将置信度更高的结果记录为目标实际所在位置。最后选择最优结果对检测分类器和相关滤波模型分别进行更新。实验结果表明,该算法进一步提高了目标跟踪算法在处理遮挡问题时的性能。该算法在OTB100基准数据集的AUC为0.643。本文对比了当前主流的跟踪算法,并在OTB100基准数据集上与其进行了实验对比,实验结果表明:本文提出两种算法的跟踪性能均要优于其它对比算法。