视频目标跟踪旨在模拟人类视觉运动感知功能,是视频分析和理解的基础,广泛应用于智能视频监控、智能交通、人机交互、军事等领域。在复杂环境中跟踪目标时,采用单一特征的跟踪算法往往很难鲁棒和准确地跟踪目标,采用多特征融合的跟踪策略是较好的解决手段。当前的特征融合的基本方法有乘性融合、加性融合和分层融合。乘性融合容易实现、效果较好,但抗噪能力较差;加性融合抗噪能力较强,但融合效果不如乘性融合;分层融合因其先验知识模糊且特征使用顺序固化的原因而限制了其应用。另外,多特征融合的跟踪策略大大增加了计算量,使跟踪的实时性难以得到保证。针对这些问题,本文提出了一种基于二级粒子滤波的多特征融合目标跟踪方法和一种改进的自适应粒子滤波方法。本文以粒子滤波算法为框架,选取颜色特征和纹理特征作为融合特征对目标进行建模,展开多特征融合目标跟踪方法的研究。研究内容包括粒子滤波算法及其在视频目标跟踪中的应用、多特征融合策略的改进和自适应粒子滤波方法。具体工作如下:1.详细介绍了粒子滤波算法的基本理论,总结了粒子滤波方法的一般步骤。首先建立目标状态模型、状态转移模型和似然观测模型;然后从目标状态初始概率函数中随机采样得到初始粒子集,通过状态转移模型对粒子进行传播(预测),并根据似然观测模型更新粒子权值,得到能近似表示目标状态后验概率的粒子集;最后可根据最小均方误差估计(MMSE)或最大后验概率估计(MAP)方法,将条件均值或者具有最大后验概率密度的状态作为目标状态的最终估计值。通过递推进行预测和权值更新过程,完成视频目标跟踪任务。2.针对单一特征粒子滤波跟踪方法在复杂环境中鲁棒性和准确性较差的问题,提出了一种基于二级粒子滤波框架的多特征融合目标跟踪方法。该方法结合了分层融合与加性融合,将目标跟踪分为两步:在第一阶段,自适应地使用上一帧图像跟踪效果最好的特征进行一次单一特征粒子滤波,获得目标粗略状态;在第二阶段,对第一次粒子滤波产生的粒子集进行重采样,进行一次多特征自适应权值加性融合粒子滤波跟踪,得到目标的精确状态。通过与单一特征和其他融合方法的对比实验,表明该方法在跟踪的鲁棒性和准确性上都有较大提高。3.针对多特征融合目标跟踪方法计算量大、实时性差的问题,提出了一种改进的自适应粒子滤波算法,通过KL距离衡量粒子集的冗余度,并据此调整粒子数目和位置噪声方差;为了保证似然函数的准确性,将简化的EMD(Earth Mover’s distance))引入视频目标跟踪。最后,使用标准测试图像序列进行了对比实验,实验结果表明,改进后的自适应算法不仅能鲁棒地跟踪目标,而且有更好的跟踪准确性和实时性表现。