目标物体跟踪是计算机视觉领域中的一个重要研究问题,而行人跟踪是目标跟踪领域的一个重要分支,它被广泛地应用于场景监控、人机交互、先进车辆技术等众多领域。尽管现有的跟踪方法已经取得了较好的跟踪效果,行人跟踪依然是颇具挑战性的课题。首先,现有的跟踪方法难以同时取得较高的跟踪准确率和跟踪效率。其次,现有的行人跟踪数据库大部分都以矩形框的形式给出行人的位置和大小,导致框内包含大量的背景像素点信息,这些背景像素点会对目标行人的特征建模造成干扰。最后,行人跟踪不同于一般物体的跟踪,行人在行走过程中的形状和姿态会不停地变化,而且同一场景中不同行人之间仅用常见的灰度特征会难以区分。这些困难都导致现有的跟踪方法对目标行人的跟踪不鲁棒。本文介绍了目标物体跟踪和检测方法的研究和发展状况,并针对现有方法对行人跟踪这一特定目标的不足,在以下方面做了一些创新性工作:第一,在经典的Tracking-Learning-Detection跟踪方法上,对表示目标行人的局部二值模板特征进行改进,替换为H-S直方图特征,增强了行人姿态变化下的跟踪鲁棒性。同时,在行人外观模型的建立过程中引入显著区域检测,显著地降低了行人框内背景像素点/局外点的干扰,从而极大地提高了跟踪框架中检测模块的准确度。第二,在H-S直方图特征的基础上,结合彩色特征的空间统计分布特性,进一步提高跟踪框架中行人外观模型的准确度。该彩色特征刻画了行人身体部位的空间位置特性,并包含了RGB、normRGB、HSV和Lab彩色空间的3维彩色直方图信息,使跟踪框架中检测模块的准确度进一步得以提高。第三,提出了行人外观模型的鲁棒性评测方法,该方法基于样本之间的相似度分布来衡量行人外观特征鲁棒性,为现有的跟踪方法提供了外观模型的选择依据。文中提出的行人跟踪方法在Caltech行人数据库上进行了测试,实验结果表明,在行人外观模型中引入基于显著区域检测的H-S直方图特征和彩色特征的空间统计分布特性可有效提高跟踪方法的跟踪成功率和平均重叠度。