随着计算机技术的飞速发展,视觉目标跟踪也逐渐受到越来越多的关注。在众多领域中,人类均可依据运动目标检测和跟踪技术对某些相应事件智能化作出反馈和应对。基于上述背景,本文分别对目标检测阶段和目标跟踪阶段进行了深入研究,同时对常用算法进行总结和改进,并最终提出全自动多特征跟踪算法。运动目标检测阶段,通过对帧差法、光流法和背景减除法的实验对比,隶属于背景减除法的ViBe算法检测前景效果相对突出,且计算耗时短。但是在初始帧含有运动目标的情况下,ViBe算法的单帧建模策略会严重影响算法的准确性,因此本文提出应用多帧建模策略进行改进。此外,在背景模型更新时,本文还提出放弃保守更新策略,并采用最优样本替换策略进行更新,即利用新匹配的像素点优先替换模型中与其余样本点离散度最大的样本点,从而提高对波动背景的适应能力。最后,对前景阴影进行检测并滤出,从而得到纯净的运动目标。运动目标跟踪阶段,通过对均值漂移类中Meanshift、CAMshift算法进行详细分析,可知CAMshift算法实时性能突出且可适应目标尺寸变化,但其只局限于在简单环境中能获得理想的跟踪效果,应用至复杂背景下时,跟踪的精确度却有待提高。本文针对CAMshift算法的不足进行总结,并提出全自动多特征融合算法予以改进。其中,首先针对传统CAMshift算法只利用目标的色调分量H生成直方图模板,未充分利用完整颜色信息的缺陷,本文提出基于色调分量H和饱和度分量S联合生成目标直方图模板,从而提高对颜色的区分度,可一定程度上增强算法对复杂环境的适应能力;其次,针对CAMshift算法仅仅依靠单一的颜色特征进行跟踪,不足以在前后景颜色相似场景或目标被遮挡的场景内鲁棒跟踪的缺陷,本文提出融入基于纹理特征的SURF算法与CAMshift算法形成多特征融合跟踪算法。SURF具有平移、旋转、尺度等不变特性,支持在复杂场景中完成稳定跟踪,但相比于CAMshift算法,复杂度较高,实时性能较差。因此,多特征融合算法以CAMshift作为基础跟踪算法,当其在复杂环境下丢失目标后,利用SURF算法对目标进行重定位,成功匹配后再继续运用CAMshift算法跟踪目标;最后,结合改进的ViBe算法对运动目标进行检测,并滤除阴影,将纯净前景区域作为多特征算法的初始目标区域,从而形成全自动多特征跟踪算法,既改进了传统算法需要人工手动圈定几何形状来选取目标的缺陷,同时还能避免因手动圈定的几何形状中包含背景像素点而引入的误差。实验证明,全自动多特征融合算法在保持理想的鲁棒性和准确性的同时,有效地提高了跟踪的实时性。