多目标跟踪是计算机视觉领域的热门研究方向。本文基于行人跟踪,对复杂背景下的多目标跟踪技术进行了深入研究,主要工作包括:(1)在广义最大多团问题(GMMCP)多目标跟踪算法的基础上,提出了改进的GMMCP多目标跟踪算法。为了改进目标遮挡的处理效果,降低算法的复杂度,我们在虚拟节点的基础上提出了聚合虚拟节点;为了提升权集的可信度,增加算法的鲁棒性,我们对相似度测量模型进行了改进,使用颜色直方图中值作为外形相似度表示,提高了算法的跟踪性能。(2)在连续能量最小化多目标跟踪算法的基础上,提出了改进的离散-连续能量最小化方法对数据关联和轨迹预测进行联合表示。为了保证轨迹的连续性,我们使用三次B样条曲线来表示目标轨迹。为了使能量函数更加符合现实世界的情形,我们改进了标记消耗模型,整合轨迹的全局性约束。(3)使用TUD、PETS09等公开视频测试序列进行实验,对提出的多目标跟踪算法进行验证。实验结果表明本文提出的算法能够实现对多目标的鲁棒跟踪。然后,使用CLEAR MOT评价标准对实验结果进行定量评价,通过与国际先进算法进行性能比较,证明了本文算法取得了较好的多目标跟踪性能。综上所述,本文对复杂背景下多目标跟踪技术进行了研究,取得了一定的成果,并对提出的算法进行了实验验证,实现了对多目标的跟踪。