视频目标跟踪是计算机视觉一个重要研究领域,在众多行业中有着广泛的应用需求和应用前景。视频跟踪的主要任务是跟踪视频图像序列中的动态目标,获得目标的位置、速度、以及运动轨迹等参数。近年来,基于贝叶斯递推估计框架的粒子滤波方法为视频跟踪问题提供了新的解决途径。而在实际的目标跟踪应用中,由于光照、目标姿态、复杂背景、遮挡等影响因素增加了目标跟踪的难度,因此利用粒子滤波方法实现稳定、精确的目标跟踪是非常具有挑战性的研究课题。本文从下述几个方面入手,提出了相应的算法。在实际的复杂目标跟踪环境中,目标特征提取效果不易控制,目标各种特征的似然观测对噪声和干扰的耐受能力各有差异。本文结合具有无参估计能力的核粒子滤波,提出一种新的具有目标多观测特征自适应能力的粒子滤波目标跟踪算法。在目标跟踪过程中,该算法能够自动动态地调整多特征权重,自适应进行观测特征信息联合,在复杂视场中提高对目标的鉴别能力,并就似然观测样本给出无参化核估计出粒子权重,进一步增强对似然观测样本信息的挖掘利用,提高了目标跟踪性能。另外,针对复杂运动的目标,提出了滑动权重窗趋势预测方法,用于目标运动趋势预测,改善了粒子空间分布状态,从而增强粒子对目标的追踪能力。常规粒子滤波器由于使用了次优重要性采样函数,容易导致粒子的退化和贫化,从而引发跟踪精度下降和搜索空间收缩问题,影响到目标跟踪性能。为此,在常规粒子滤波算法框架中融入粒子群优化算法,并使用小生境技术加以改良,使得粒子向目标状态高似然区迁移的同时形成多种群分布,增强粒子对目标状态空间的搜索能力,以此提高对动态目标状态变化的适应性。算法中,对两种粒子进行了有效地信息联合,联合小生境优化的粒子群粒子和粒子滤波粒子,给出了新的粒子权重修正计算方法,最终实现一种新的小生境优化的粒子群粒子滤波视频目标跟踪。人脸在不同光照、不同姿态下呈现出不同的特性,加上遮挡、背景的变化、人脸复杂运动等因素,给人脸跟踪带来了巨大挑战,于是综合了前述两种具有良好特性的粒子滤波算法,提出了一种新的粒子滤波人脸跟踪算法,通过融合了多特征目适应的观测方式和多种群、高似然的粒子迁移能力,改进了粒子在状态空间的分布情况和粒子权重的计算方式,从而增强了粒子对目标状态的追踪能力,同时也提高了新的人脸跟踪算法对目标状态估计的精确性。另外,通过融入本文新提出的目标模板更新策略,使得算法能够处理人脸被大面积遮挡情况,从而进-步提高人脸跟踪算法的鲁棒性。