在信息高速发展的今天,伴随着通信网络、计算机技术和微电子技术的发展,目标跟踪技术被广泛应用于视频监控、人机交互、智能导航、医疗辅助等领域,具有重要的研究价值。目标跟踪首先对被跟踪的目标物体进行特征学习,建立基本模型,然后在输入视频序列中获取目标信息,最后实现对目标的跟踪。在实际复杂的环境应用中,目标姿态变化、尺度变化、快速移动等自身问题和光照、遮挡、相似干扰等外界因素会影响跟踪的准确度。本文对目标跟踪算法的研究和主要工作如下:(1)在粒子滤波的框架下,针对只基于颜色特征的粒子滤波算法在应对相似颜色干扰方面的不足,将纹理特征和颜色特征结合来进行特征改进,所使用的纹理特征并不是基础的LBP特征,而是采用更为稳定的HLBP特征,并通过自适应权值调整颜色特征和纹理特征在跟踪结果中的影响比重。结合了 HLBP纹理特征的算法比结合LBP纹理特征的算法稳定性更高,跟踪更为准确。(2)针对机器学习算法中只能自动学习浅层次特征的不足,采用了卷积神经网络的方式学习特征,卷积神经网络通过层层学习,由浅入深可以学习到目标的高层特征,在分类判别上更为明确。由于神经网络计算量较大,在运算速度上可能达不到实时性要求,因此本文采取先离线提取视频特征结合在线微调网络参数的方式构建了卷积神经网络在线学习模型来做到实时性跟踪。另外,本文根据输出的置信度自适应调整学习率,通过自适应学习率控制正负样本的更新速度,并微调全连接层网络参数,从而保证跟踪结果的准确性。(3)将目标检测算法和跟踪算法相结合,构建了一个运动物体自动检测和跟踪的视频监控系统。在目标检测模块采用边缘检测和帧差法结合的方法提高检测的准确度,后续跟踪采用CamShift算法根据运动物体的形态自适应调整矩形框,达到持续稳定跟踪的效果,避免手动框选目标的麻烦,提高系统的智能化水平。本文仍然有许多可以提升的地方:在粒子滤波框架下的特征融合可以再加入空间特征增加特征多样性,基于卷积神经网络的在线跟踪算法可以结合TLD算法提高对抗长时间遮挡的能力。视频监控系统对于动态背景情况有待深入研究。