随着现代计算机和信息技术的飞速发展及图形识别算法的革命性改进,视频目标跟踪已经成为目前机器视觉研究领域的一个热点问题,它融合了计算机视觉、图像处理、模式识别、人工智能及自动控制等许多领域的先进技术,在国防、安全监控、智能交通等方面有广阔的应用前景。本文的注意力集中于改进视频目标跟踪系统的框架——粒子滤波算法,并且通过融合颜色信息和运动信息来计算粒子权值,从而提高视频目标跟踪的准确性。本文首先介绍了视频目标检测的几种常用算法,并作了改进;其次,介绍了常用的滤波技术,包括卡尔曼滤波,高斯—厄米特滤波,粒子滤波以及相应的扩展滤波技术,重点是Unscented卡尔曼滤波和粒子滤波;然后提出了一种基于高斯—厄米特滤波和Unscented卡尔曼滤波的粒子滤波算法,在这个算法中,结合高斯—厄米特滤波和Unscented卡尔曼滤波来产生重要密度函数,解决了一般粒子滤波算法中以转换先验密度函数作为替代分布所引发的粒子退化问题;最后,提出了一种以粒子滤波为框架的视频目标跟踪算法,它在计算粒子权值时融合了量测数据中目标的颜色信息和运动信息。实验结果表明:基于高斯—厄米特滤波和Unscented卡尔曼滤波的粒子滤波算法提高了滤波的稳定性和精度,相对于Unscented粒子滤波算法其均方误差改善了70%;同时,新的视频目标跟踪算法有效地改善了跟踪的鲁棒性和准确性。