视频中目标跟踪是计算机视觉研究领域的重要内容之一,受到广泛关注。由于目标跟踪中存在遮挡、尺度变化、形变、快速运动、背景复杂和低分辨率等问题,现有的跟踪算法未能全部解决,且存在很多瑕疵。为此,本文改进了现有的目标跟踪算法,来重点解决目标在发生遮挡、尺度变化等情况下的跟踪问题。本文的主要工作如下:(1)针对现有的基于最近邻的超像素跟踪算法将目标与背景区域超像素聚类错误的问题,提出基于多近邻的超像素跟踪算法。算法依据超像素内处于选择框内、外的像素个数之差判定其置信度正负。依据超像素的置信度与其特征所在簇的置信度是否同号,保持其特征的置信度不变或降低其特征的置信度。依据样本中超像素特征与簇中多个近邻元素的距离确定参与加权和运算的各项权重,将置信度最大的样本确定为目标,依据训练样本跟踪中的累计中心误差确定最佳近邻个数。(2)针对选择框内出现非目标的问题,提出基于投影压缩和目标再切割的超像素跟踪算法。在算法训练或外观模型更新阶段,对给定的目标区域或最佳状态做基于分水岭算法的切割,将选择框内属于置信度较高部分的超像素特征标记为目标、其他部分的超像素特征标记为背景加入到特征池,聚类并计算簇和簇内元素的置信度。保持划分正确元素的置信度不变,减少划分错误元素的置信度绝对值。对分别从选择框的内切圆、内切圆与外接圆、外接圆和2倍外接圆半径的圆内采集的三个样本集,进行多尺度过滤后再进行卷积,得到投影压缩后的样本块特征。用样本块特征训练随机森林和样本数个弱分类器,得到不同遮挡情况下的分类器。跟踪阶段,以上一帧的中心为当前帧的中心,在2倍选择框的面积范围内进行高斯采样,依据特征池中最佳近邻个超像素的簇归属确定搜索范围内每个超像素的簇归属以及置信度,计算各个样本的置信度,选取置信度最大的样本作为暂定目标。依据皙定目标和遮挡程度,初步判定当前遮挡情况,选择对应的分类器,计算候选样本对应的类条件概率最大似然估计,依据训练阶段得到的有关置信度和条件概率最大似然估计权重关系,确定最终候选样本,实现目标跟踪。实验验证了遮挡、尺度变化等情况下,选择框内出现非目标后,新方法仍然能够很好的跟踪到目标。