智能视频监控系统是图像处理领域中一个重要的研究方向,其主要功能是从监控视频流中检测、识别和跟踪感兴趣的运动目标,进而对其进行行为分析和语义理解,为行为决策提供依据。运动目标跟踪是智能视频监控系统中的关键技术,有效地跟踪感兴趣目标是衡量监控系统性能优劣的一个重要指标,具有重要的研究价值。基于粒子滤波的目标跟踪技术近年来越来越受到重视,该算法具有非参数化的特点,不仅不受限于系统模型的限制,而且在目标发生部分遮挡后也可以实现准确跟踪过程。然而粒子滤波在应用中也还存在一系列需要解决的问题,如需要的样本数量大、跟踪过程中粒子贫化以及跟踪过程中很高的运算复杂度等都是需要解决的问题。本文以粒子滤波技术为中心,结合运动目标的跟踪研究提出改进算法。主要研究工作和成果如下:(1)提出了一种在跟踪过程中可以实现多特征自适应融合的粒子滤波跟踪的算法。在分析单特征的粒子滤波性能基础上,提出了将目标颜色和梯度直方图联合的匹配跟踪算法,并且通过自适应方法,根据实际需要选择合适的颜色或梯度直方图HOG,改进了算法的有效性。(2)提出了与粒子群优化算法相结合的粒子滤波跟踪算法。为了降低粒子滤波中的贫化问题,在既有粒子滤波的基础框架上,在粒子运动过程中,通过引入粒子群优化(PSO)算法,实现粒子不断向最优解靠近,并对于粒子群优化算法容易陷入局部最优点的问题加入自适应算法,通过根据最优解是否变化来判定当前解的状态,进而通过增加或删减粒子的数目来解决跳出局部最优解的问题。该算法既可以保证粒子的多样性,又可以通过减少粒子的数目而提高跟踪的效率。(3)提出了使用瑞利分布的粒子分布模型下的自适应目标跟踪算法。粒子滤波算法最突出的问题是跟踪效率不高,因为需要大量的粒子在对真实的状态进行估计。本文对粒子采用瑞利分布来描述,并对分布参数进行自适应调节,使得粒子的分布更加有利于对目标的跟踪,降低了粒子贫化的可能性;并根据动态判定目标的跟踪结果来实现分层次的粒子数目自适应调节,从而增强了跟踪的效果,并提高了跟踪的效率。论文通过详细的实验和结果分析验证了所提出的改进算法的有效性。最后论文对所做工作进行了总结,并介绍了今后进一步研究的方向。