视频目标跟踪技术主要包括图像处理、模式识别和现如今炙手可热的深度学习和人工智能等技术,属于当前计算机视觉领域中一项至关重要的研究内容。为了克服执行跟踪任务时目标本身的变化和跟踪环境的随机性,学者们致力于研究一项性能优越的视频目标跟踪算法。本文致力于改善视频目标跟踪算法性能上的鲁棒性与精确性,针对基于多级特征串联的改进粒子滤波算法和相关粒子滤波算法来进行展开:1、针对传统的单一特征视频目标跟踪算法存在很大的局限性,提出一种新的目标跟踪算法框架:多级特征串联算法框架,第一次滤波时,对目标选取CN特征进行提取,针对该特征对目标进行预测估计,确定出目标在第一次滤波时的更新位置;然后在第一次滤波的基础上进行第二次滤波,对目标选取边缘特征进行提取,针对该特征再次对目标进行预测估计,从而得到目标较为精确的更新位置,由此确定出下一帧时目标的预测位置。2、因为传统粒子滤波算法易产生粒子多样性降低问题,提出了对其重采样步骤进行改进的方法。在重要性采样完成后,得到一组带有不同权值的粒子集,在这些粒子集中选取权值较大和权值较小的粒子,对于权值较大的粒子在其周围区域随机生成新的粒子,对于权值较小的粒子进行淘汰,最终粒子数量与之前保持不变。并且结合多级特征串联框架,即多级特征串联粒子滤波算法,如此不仅有效地克服了传统粒子滤波重采样引起的粒子多样性的降低,也提高了粒子滤波计算的效率。通过实验表明,此改进算法可以解决目标形变、遮挡和背景混乱等问题。3、由于传统粒子滤波和相关滤波算法在应用中存在不足,提出了一种多级特征串联相关粒子滤波的算法,粒子滤波算法能够处理目标尺度的变化和遮挡等问题,相关滤波算法是可以把采样的粒子引导至目标状态进行分布模式并且训练特征,降低计算量。通过实验表明,相比于其它算法,多级特征串联相关粒子滤波算法可以提高执行跟踪任务的精确性和鲁棒性。本文算法不仅保证了在一系列挑战性因素影响下的跟踪精度,而且降低了粒子滤波算法的复杂计算量,与其它算法相比较,本文算法具有更优越的性能,兼顾了执行跟踪任务的精确性与鲁棒性。