运动目标跟踪是计算机视觉领域中最热门的课题之一,在战场侦察、智能视频监控、交通控制、人机交互等领域具有广泛的应用前景,引起了国内外学者和工业界的重视,蕴含着广泛的应用价值和较高的理论意义。当前学术界和工业界在目标跟踪方面开展了大量工作,取得了一些成果,然而运动目标跟踪仍然是模式识别领域的一个难点问题,目标物体角度、姿态、远近距离变化、快速运动、以及遮挡等给鲁棒在线跟踪算法提出了苛刻的要求,单一算法很难有效处理所有问题,多方法集成是实现鲁棒在线跟踪的一种有效手段。针对这些问题,本文完成了如下工作:1,重点研究了几种目标跟踪算法:Mean Shift跟踪算法、基于在线boosting的跟踪算法、基于粒子群优化的跟踪算法和基于模板匹配的跟踪算法。对这几种算法做了相关实验,通过实验结果,分析了各种算法的优点和缺点。为本文算法的提出提供了相关的理论基础。2,提出了一个集成on-line Boosting、基于归一化互相关的模板匹配法和粒子群优化算法的自适应目标跟踪算法框架。其中,on-line Boosting是基本的跟踪算法;基于归一化互相关的模板匹配有效地避免了on-line Boosting过多的错误更新;而基于粒子群优化算法的跟踪策略提高了系统对快速运动、外观变化的适应能力,同时也为模板的更新提供了保障,三种算法形成了有效互补,在稳定性和可塑性之间达到了一种平衡。在不同视频测试序列上的实验结果表明,本文算法有效地缓解了自适应性和“漂移”之间的矛盾,能够实时地完成复杂的跟踪任务。3,设计并完成了基于视觉跟踪的机器人定位工作。针对机器人作业的特定环境,利用目标检测提取出前景,融合本文提出的跟踪算法和团块跟踪方法实现跟踪。根据射影变换矩阵实现坐标系的转换,完成定位任务。