1、本文對基于時空上下文的目標跟蹤算法進行了研究。時空間上下文跟蹤算法通過分析目標周圍空間上下文對跟蹤目標進行定位。本文所研究的算法是一種快速的基于稠密時空間上下文（Spatio-temporal Context，STC）跟蹤算法，STC采用貝葉斯框架，將跟蹤目標及其周圍區(qū)域的特征轉換為統(tǒng)計學的相關關系，使跟蹤問題變成計算置信圖中的最大置信值點。在時空間上下文建模過程中，通過FFT來進行快速學習與檢測，極大的減少了算法的復雜度，具有很高的實

2、時性及較好的魯棒性。但是仍然存在一些問題：
　?、賁TC和大多數(shù)采用貝葉斯框架的跟蹤算法一樣，會對每幀跟蹤結果進行平均，一定程度上增加干擾因素對跟蹤模型的影響，同時STC對當前幀跟蹤結果不加判斷的學習，如遮擋時會學習遮擋物的特征，學習過多的錯誤特征會使跟蹤模型不夠精準，影響后續(xù)跟蹤。
　?、赟TC對空間上下文信息采取同等對待的方式，空間上下文的權重分配僅取決于離目標中心的距離，這種處理方式無法很好的利用對跟蹤有效的信息，而且

3、會增加錯誤信息對跟蹤結果的干擾。
　　本文針對STC存在的上述問題進行研究，提出了幾點改進方法，研究內容及成果如下：
　?、賹TC算法單模板結構進行改進，STC采用線性結構導致跟蹤模板容易累計誤差，提出使用多模板來進行跟蹤。通過比較多個模板對跟蹤幀的適應程度，選擇合適的模板來進行跟蹤學習。同時對幀跟蹤效果進行判斷，去掉干擾信息過多的幀，使模板不會學習到錯誤的跟蹤結果，提升跟蹤效果。
　　②對STC空間上下文權重分配進