為了解決核化相關(guān)濾波器（ KCF）在復(fù)雜場景下魯棒性差的問題，提出了基于自適應(yīng)組合核（SACK）的目標(biāo)跟蹤算法。跟蹤任務(wù)分為位置跟蹤和尺度跟蹤兩個(gè)獨(dú)立部分。首先，以線性核和高斯核的自適應(yīng)組合作為核跟蹤濾波器，構(gòu)造了SACK權(quán)重的風(fēng)險(xiǎn)目標(biāo)函數(shù)。該函數(shù)根據(jù)核的響應(yīng)值自適應(yīng)調(diào)整線性核和高斯核權(quán)重，不僅考慮了不同核響應(yīng)輸出的經(jīng)驗(yàn)風(fēng)險(xiǎn)泛函最小，而且考慮了極大響應(yīng)值的風(fēng)險(xiǎn)泛函，同時(shí)具有局部核和全局核的優(yōu)點(diǎn)。然后，根據(jù)該濾波器的輸出響應(yīng)得到目標(biāo)精確位置，設(shè)計(jì)了基于目標(biāo)極大響應(yīng)值的自適應(yīng)更新率，針對位置跟蹤濾波器進(jìn)行自適應(yīng)更新。最后，利用尺度跟蹤器對目標(biāo)尺度進(jìn)行估計(jì)。實(shí)驗(yàn)結(jié)果表明，所提算法的成功率和距離精度在OTB-50數(shù)據(jù)庫表現(xiàn)最優(yōu)，比KCF算法分別高6.8個(gè)百分點(diǎn)和4.1個(gè)百分點(diǎn)，比雙向尺度估計(jì)跟蹤（BSET）算法分別高2個(gè)百分點(diǎn)和3.2個(gè)百分點(diǎn)。該算法對形變和遮擋等復(fù)雜場景具有很強(qiáng)的適應(yīng)能力。

　　目標(biāo)跟蹤是根據(jù)最優(yōu)估計(jì)算法分析視頻中目標(biāo)的狀態(tài)，從而為進(jìn)一步目標(biāo)識別、分類等提供有效技術(shù)支撐。該技術(shù)已經(jīng)被成功應(yīng)用于智能視頻監(jiān)控、導(dǎo)航與定位、醫(yī)學(xué)處理等領(lǐng)域。當(dāng)前，目標(biāo)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(yùn)用生成模型描述目標(biāo)特征，通過搜索候選目標(biāo)來最小化重構(gòu)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(dāng)目標(biāo)發(fā)生劇烈變化或遮擋時(shí)容易產(chǎn)生漂移。判別式方法通過訓(xùn)練分類器來區(qū)分目標(biāo)和背景，主要有隨機(jī)森林算法、相關(guān)濾波器（Correlation Filter．CF）算法、結(jié)構(gòu)化支持向量機(jī)（Support Vector Machine， SVM）算法以及深度學(xué)習(xí)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(biāo)跟蹤的研究主流。