智能视频监控是计算机视觉领域的一个重要研究课题,其主要工作就是从动态场景的视频图像中检测、识别和跟踪感兴趣的运动目标,进而分析、理解并描述监视目标的行为。运动目标跟踪技术在智能视频监控中发挥着关键的作用。本文针对不同场景里的目标跟踪问题,重点研究了卡尔曼滤波跟踪算法、均值偏移跟踪算法以及粒子滤波跟踪算法。论文的创新点和主要工作包括:(1)研究了卡尔曼滤波器和支持向量机(Support Vector Machine, SVM)相结合的两类目标(人和车)的跟踪算法。首先检测目标,同时利用支持向量机对目标进行分类识别,这样,就可以得到检测出来的质心和目标的对应关系;然后把质心坐标分别送到相应的卡尔曼滤波器,两个卡尔曼滤波器同时运行,就达到了对人和车分别进行跟踪的目的。(2)研究了结合基于颜色和纹理的均值偏移算法与卡尔曼滤波器的目标跟踪算法。首先,在当前帧中,用基于颜色和纹理特征的均值偏移算法计算出一个准确的目标位置,然后把这个位置坐标作为测量值送给卡尔曼滤波器,卡尔曼滤波器会预测出一个位置,这个位置是下一帧中均值偏移循环的初始搜索位置。用这样一种方法,即使连续处理的两帧之间目标有很大的运动位置改变,目标还是能被成功地跟踪到。另外,对于目标与背景颜色相近的环境里的目标跟踪,这个算法依然有效。在这样一个环境里,用基于RGB颜色空间直方图的均值偏移跟踪算法不能准确地跟踪到目标。实验结果表明,本文的算法有效并且具有鲁棒性,而且适用于不同场景里的目标跟踪。(3)针对非线性、非高斯环境里的目标跟踪问题,本文重点研究了基于颜色、纹理及边缘特征的粒子滤波跟踪算法。目标多特征的融合,加强了粒子滤波跟踪算法的鲁棒性。首先,系统进行初始化,读取第一帧图像数据,在HSV颜色空间通过颜色直方图计算目标的颜色概率密度函数,同时计算其纹理特征和边缘特征的参考模型;然后,读取下一帧图像数据,进行系统状态转移;其后计算多特征融合的相似性模型,然后计算各粒子的权值并归一化;最后粒子加权,根据最小均方误差准则对目标的状态进行估计,同时在有效粒子数小于一定阈值的情况下,对粒子进行重采样。在实验中,本文通过不同场景里的目标跟踪实验,包括复杂背景条件下的目标跟踪、短时间部分遮挡及完全遮挡情况下的目标跟踪、粒子滤波跟踪算法与均值偏移跟踪算法跟踪效果比较,说明了此算法的有效性和鲁棒性。