為了解決核化相關濾波器（ KCF）在復雜場景下魯棒性差的問題，提出了基于自適應組合核（SACK）的目標跟蹤算法。跟蹤任務分為位置跟蹤和尺度跟蹤兩個獨立部分。首先，以線性核和高斯核的自適應組合作為核跟蹤濾波器，構造了SACK權重的風險目標函數。該函數根據核的響應值自適應調整線性核和高斯核權重，不僅考慮了不同核響應輸出的經驗風險泛函最小，而且考慮了極大響應值的風險泛函，同時具有局部核和全局核的優(yōu)點。然后，根據該濾波器的輸出響應得到目標精確位置，設計了基于目標極大響應值的自適應更新率，針對位置跟蹤濾波器進行自適應更新。最后，利用尺度跟蹤器對目標尺度進行估計。實驗結果表明，所提算法的成功率和距離精度在OTB-50數據庫表現最優(yōu)，比KCF算法分別高6.8個百分點和4.1個百分點，比雙向尺度估計跟蹤（BSET）算法分別高2個百分點和3.2個百分點。該算法對形變和遮擋等復雜場景具有很強的適應能力。

　　目標跟蹤是根據最優(yōu)估計算法分析視頻中目標的狀態(tài)，從而為進一步目標識別、分類等提供有效技術支撐。該技術已經被成功應用于智能視頻監(jiān)控、導航與定位、醫(yī)學處理等領域。當前，目標跟蹤算法可分成生成式模型和判別式模型兩大類。生成式模型主要運用生成模型描述目標特征，通過搜索候選目標來最小化重構誤差，有基于粒子濾波跟蹤算法、meanshift算法以及卡爾曼濾波和meanshift融合方法等；然而，該方法往往忽略背景信息，因此當目標發(fā)生劇烈變化或遮擋時容易產生漂移。判別式方法通過訓練分類器來區(qū)分目標和背景，主要有隨機森林算法、相關濾波器（Correlation Filter．CF）算法、結構化支持向量機（Support Vector Machine， SVM）算法以及深度學習算法等，判別式方法能夠顯著區(qū)分背景和前景的信息，已成為目標跟蹤的研究主流。