当今世界是一个大数据的时代,智能视频分析扮演着重要的角色,目标跟踪作为智能视频分析中的关键技术之一,具有重大的学术研究价值和广泛的应用前景。本文将重点研究目标跟踪算法的改进与实现,介绍经典的目标跟踪算法并分析其缺陷,提出改进思想,最后在硬件上实现并优化。首先,作者参与基于TMS320DM8168智能视频分析系统的硬件系统开发,系统在硬件资源上支持多路视频处理以及标清和高清输出;同时基于McFW构建了一套智能视频目标跟踪软件开发框架,能够对单个或者多个目标进行跟踪处理。其次,对目标跟踪算法中经典之作——均值偏移算法进行学习,介绍算法在目标跟踪中的应用,由于其计算量小、容易实现成为本文的首选。由于经典均值偏移跟踪算法仅仅使用颜色作为目标描述的单一特征,在处理目标与目标、目标与背景之间颜色相近问题时,容易造成定位误差,甚至跟踪丢失,为此讨论两种融合方式下的多特征融合算法,给出基于纹理和颜色结合的均值偏移目标跟踪算法,对多种场景下的视频序列进行仿真,证实线性融合方式的算法在颜色相近问题上跟踪性能更好,同时融合算法相较传统基于颜色的均值偏移算法在光照、遮挡、快速移动方面更具备鲁棒性。然后,作者对传统均值偏移目标跟踪算法在长时间跟踪中影响稳健性的因素进行分析,结合运动检测给出改进策略。如在目标模型的建立中,会受到背景像素的影响,利用运动检测的二值图结果使目标模型最大程度表征目标特征,从而目标的定位更准确。在长时间的目标跟踪中,目标会发生尺度、姿态变化以及遮挡、消失重现的状态,为此给出运动检测和目标跟踪相结合的思想,适时地更新目标的模板,同时对于目标从视野消失,利用检测判断目标是否会再现。这些策略使得目标跟踪算法在长时间的跟踪中,准确度和稳健性有所提高。最后,对改进的基于纹理和颜色的多特征融合的均值偏移目标跟踪算法,在硬件系统上实现,给出算法的优化方法,并进行时间评估,在保证跟踪精度的同时,提高算法的运算速度,达到实时处理。为了使视频目标跟踪系统更具备智能化,从硬件的实现上给出单个目标和多目标跟踪实现,可以对场景中出现的多个目标进行跟踪,进而为后续更高级的行为识别以及应用奠定基础。