在对复杂背景视频中的目标进行跟踪时,目标失败的很大一部分原因是受到目标周围背景以及目标本身外观变化的干扰,而且,当摄像机运动时,运动目标的初始检测也会变得更加复杂,这些因素综合起来使得视频中的鲁棒跟踪问题变得十分困难,本文以稀疏表达理论和随机游走模型为基础,以目标跟踪过程中的背景信息抑制为切入点,并融合目标形状特征信息,对运动目标检测与跟踪进行了深入的研究。论文的主要内容如下:第一章阐述了视觉目标跟踪研究的背景、意义和目的,对目标跟踪中相关理论方法的研究现状做了归纳总结,分析了跟踪中仍然存在的一些问题,并针对这些问题给出了本课题的主要研究内容。第二章对运动云台摄像机下的运动检测方法做了研究,提出了 一种基于时空图像异常边缘分析的运动检测算法,为运动摄像机下的运动目标检测开拓了新的思路,并在实际测试中取得了较好的效果。算法的主要流程为首先根据中值流跟踪法估计出相邻视频帧间的垂直运动位移,将连续几帧图像中的相对应的行组合在一起形成时空图像,然后对时空图像中的边缘根据其斜率做聚类分析,分析每个类中的边缘数量和边缘分布的离散度,得到边缘分布比较集聚的类,将这些类所在的区域判定为真正的运动目标所在的区域。算法在多种实际场景下采集的视频序列中做了测试,实验结果表明,算法比其他经典的算法在遮挡、背景干扰、不同的相机旋转速度等方面更加鲁棒。第三章在最新的形状特征分类方法的基础上提出了一种更加快速有效的形状特征描述算子。新的描述子由轮廓段重心与轮廓段中不同部分的轮廓点之间的距离和组成,在本质上具有旋转、平移、缩放不变性。此外,利用能够有效模拟哺乳动物视觉系统V1区简单细胞响应机制的稀疏编码理论来对每个轮廓段的特征向量进行编码,并且通过空间金字塔匹配对编码值进行空间最大值池化,以充分挖掘目标的全局与局部空间结构信息。最后,使用SVM分类器来实现形状分类。提出的算法在一些国际著名形状数据库上做了实验,结果表明,提出的算法比其他的相关算法效果更好,在保证较高分类准确度的同时大大提高了执行效率。第四章针对复杂背景下目标跟踪的背景信息抑制问题,提出了基于结构化局部稀疏表达的背景分析方法,能够对目标周围的区域进行正确的分析与判别,找出其中真正属于背景的区域。提出在跟踪目标周围生成若干个粒子群区域,通过结构化局部稀疏表达理论计算这些粒子的权重,综合粒子的权重形成各个区域权重,根据各区域的权重大小筛选出几个最有可能属于背景的区域,在目标模型中将这几个区域中的信息加以抑制来增强目标模型的抗干扰能力。而且,在每一帧中根据跟踪结果的可靠性程度决定是否将新的目标信息添加进模型之中,在保证模型信息全面的前提下尽可能的避免受到背景信息的污染。此外,还提出一种反向投影图中的加权搜索方法,将大概率的点赋予更高的权重,通过在目标周围较大区域中的搜索来解决传统跟踪中的局部最优问题。提出的跟踪算法在国际标准数据集及实际场景中采集的视频序列中做了测试,实验结果表明,算法可以适应目标外观的变化,并对背景的干扰较为鲁棒。第五章针对监控视频中较小的人体目标跟踪问题将具有弱边界特性的随机游走图像分割方法引入到跟踪之中,能够根据分割结果的分布形态判别出人体目标区域,提高跟踪鲁棒性。提出在目标及其周围背景区域均匀的选取四层种子点,每层六个种子点,分别分配六个标签,然后利用随机游走算法分别对每层种子点进行图像分割,最后合并四层种子点的分割结果作为最终的结果。然后在分割结果中选取与人体形态相近的区域作为目标区域,并利用主成分分析的方法进一步筛选出在垂直方向上分布的人体区域,并在目标模型中将非目标区域中的信息加以抑制,凸显出目标的特有特征。提出的算法在一些标准数据集和在停车场采集的视频序列中做了实验,取得了较好的跟踪结果。第六章将提出的形状特征表达方法融入到跟踪框架中,形成一套完整的跟踪策略。具体的融合方法是在跟踪过程中对跟踪结果根据其边缘曲线的形状特征进行分类,收集一定数量的分类结果作为分类结果集合,将当前帧中得到的分类结果与集合中的结果进行比较,判断其是否与之前的目标类型一致,根据分类结果和跟踪结果的可靠性来决定是否更新目标模型。融合了形状特征表达方法的跟踪策略在极具挑战性的航拍视频中做了测试,算法表现出了很好的鲁棒性。第七章对全文做了总结。简要论述了本课题的主要研究内容、结论以及创新点,并对接下来的研究工作做了展望。