视频目标跟踪是计算机视觉研究领域的核心问题,一直得到广泛的研究与关注,这主要是因为该方向在现实的诸多领域都有广泛的应用,例如视频监控、智能导航、医学诊断以及增强现实和虚拟现实等等。随着信息技术日新月异的快速发展,包括视频图像处理、计算机视觉、机器学习、人工智能以及模式识别等在内的诸多学科领域交叉渗透,视频目标跟踪的新技术层出不穷,跟踪性能不断提升。然而,尽管人们已经提出了许多有效的视频目标跟踪算法,但在实际应用中仍然面临很多困难,例如环境中的光照变化、目标外观的改变、非线性形变、摄像机的抖动,以及背景中的噪声干扰等因素,因此设计准确可靠、稳定性好的视频目标跟踪算法在当前仍然是一项非常具有挑战性的工作。本文针对视频目标跟踪在实际应用当中存在的问题,采用当前各个交叉学科的最新技术,针对视频目标跟踪的基础性问题展开研究,主要工作和创新点如下:1、为解决跟踪过程中目标外观变化的问题,本文提出了一种基于增量式极端随机森林分类器(Incremental Extremely Random Forest,IERF)的视频目标跟踪算法,可对被跟踪目标的外观模型和复杂的背景环境,进行高效的在线学习和动态描述,并结合半监督学习理论,实现了对视频目标(包括多目标)位置的准确跟踪。当前视频目标跟踪问题常作为分类问题进行解决,作为目标跟踪算法的核心支撑,本文基于数据挖掘和机器学习理论,设计并实现了一种支持在线学习的IERF分类器,可高效处理数据流、特别是小样本数据流的在线学习和快速分类问题;IERF分类器能够在给定有限数量,甚至是少量样本的情况下,快速高效地完成分类器的增量构造和准确分类。实验结果表明,基于IERF分类器的视频目标位置跟踪算法,在目标物体外观的改变等复杂等情况下,具有良好的准确性和稳定性。2、为解决依据目标特征的一致性约束关系进行匹配跟踪的问题,本文基于多重线性代数理论,提出了一种基于超对称张量的高阶特征匹配算法和多重阶特征匹配算法。高阶特征匹配算法利用特征之间的高阶一致性约束关系,实现了特征集合之间准确的匹配,以及基于目标特征的匹配跟踪;本文还将多种一致性约束条件,如一阶、二阶、三阶等,有效融合,实现了基于多重阶约束关系的特征匹配,获得了比独立阶方法更好的匹配性能。本文将特征之间的高阶和多重阶的约束关系表示为超对称张量的形式,定义了高阶超对称相似度张量和多重阶相似度张量,并充分利用张量的超对称性,推导出了高效的高阶、多重阶的幂迭代公式和特征元组采样策略;此外,还设计了一种新的四阶势函数和多重阶势函数的融合方法。实验结果表明,与当前已有方法相比,本文的高阶、多重阶特征匹配方法显著提高了特征集合匹配的性能,准确实现了针对目标特征的匹配跟踪。3、多线索融合的方法可以显著提高目标跟踪的性能,本文提出了一种贝叶斯概率框架下多线索融合的判别式视频目标轮廓跟踪算法。该算法将IERF分类器整合到参数化Snake模型中,设计了新的轮廓演化能量函数,并结合提出的多观测模型混合级联的粒子滤波算法,实现了对视频目标轮廓的准确跟踪。该跟踪算法中采用IERF分类器作为描述目标外观的观测模型;利用多重阶特征匹配的方法对连续两帧轮廓点进行匹配,并通过薄板样条弯曲能量计算轮廓帧间的变形能量,连同轮廓帧内的演化能量一起,分别作为两种描述目标轮廓变形的观测模型;本文提出了一种混合级联的粒子重要性采样方法,来实现多观测模型的高效融合;同时还利用光流场改进了粒子状态预测方程。基于多个视频数据的实验表明,本文算法显著提高了目标轮廓跟踪的准确性和稳定性。4、视频目标的分割跟踪相比视频目标的位置跟踪(确定目标所在视频图像中的位置,如通过矩形区域或椭圆形区域等来表示),可以达到更高的跟踪精度。本文提出了一种在线学习的两级视频图像分割跟踪算法,该算法通过结合视频图像的全局信息和局部信息,由粗至细,分两阶段来完成视频图像的二值分割,实现了对视频目标准确的分割跟踪。该算法第一阶段采用分类器对视频图像无指导的预分割结果进行全局识别,得到粗糙的前后景分割图像,再通过第二阶段时空条件随机场最优化进行局部平滑处理,得到最终精确的像素级前后景分割图像;本文还提出了一种平衡采样策略和一种基于分割图像指导的样本更新算法,分别用以实现分类器准确的初始化和高效稳定的在线学习。基于多个真实视频序列的实验表明,相比已有方法,本文算法显著提高了视频图像分割的准确性和稳定性。