机器视觉技术日新月异，其重要组成部分——目标跟踪技术已越来越受到重视，且在军事和民用范畴都有广泛普及。然而由于跟踪环境的复杂多变性，如光照变化、目标变形、遮挡、相似目标干扰等影响，在跟踪过程中，跟踪器很容易丢失或者跟错目标，而遮挡干扰是引起跟踪失败的主要原因。

本文的研究内容是对复杂场景中运动目标跟踪算法进行研究和改进，在基于时空上下文（Spatial-Temporal Context，STC）算法和核相关滤波（Kernel Correlation Filters，KCF）算法的基础上，解决遮挡干扰问题,同时设计对视频目标跟踪难度评价指标进行改进，从目标运动过程中的背景因素及目标本身因素进行分析，定量描述视频序列中目标的跟踪难度。针对STC算法和KCF算法中的问题，提出了基于局部二值模式（Local  Binary Pattern, LBP）的改进时空上下文算法（LKSTC）和基于核相关滤波的层级遮挡检测算法，算法跟踪性能明显提升。本文主要研究工作和成果如下：

1. 本文提出了基于局部二值模式的改进时空上下文算法。通过对STC算法的实验发现，该算法存在由变形和遮挡引起的跟踪精度下降问题。针对上述问题，本文提出在原算法基础上引入局部二值模式和遮挡检测机制，利用LBP特征来代替灰度特征，当跟踪器检测出目标发生遮挡时，停止分类器参数的更新，利用目标先验信息对其进行位置预测以解决目标发生遮挡后的定位问题。经过试验分析，改进之后的算法能有效提升目标跟踪精度，针对遮挡目标也展现出良好的跟踪稳定性。

2. 本文提出了基于核相关滤波的层级遮挡检测算法。基于核相关滤波的快速跟踪算法在目标发生严重遮挡或全部遮挡时，该算法的定位精度会明显下降。经过试验观察，如果目标发生遮挡，跟踪器会错误地把背景信息当作目标信息，很可能引起定位精度的下降甚至失败。因此在该算法的基础上引入遮挡检测机制，当跟踪器判断出目标发生遮挡时，停止分类器参数的更新；同时利用LBP特征进行层级遮挡检测可以有效地区分目标变形和遮挡，利用目标先验信息对其进行位置预测以解决目标发生遮挡后的定位问题。经过试验分析，提出的层级遮挡检测算法能有效检测出遮挡并进行相应处理，展现出良好的跟踪稳定性。

3. 基于难度的目标跟踪性能评估方法改进。目标在不同场景下跟踪难度各不相同，如何定量描述目标跟踪难度有利于对跟踪算法优劣做出评判。本文优化了目标跟踪性能评估指标，利用灰度共生矩阵信息定量描述背景复杂度，利用灰度直方图定量描述背景与目标的相似度，利用目标遮挡比例定量描述目标的遮挡情况，利用边缘比率定量描述目标在背景中的重要性等。经过试验分析，本文提出的目标跟踪难度评价指标具有良好的适应性。