目标跟踪是计算机视觉、图像处理和模式识别等领域的重要研究内容之一,在视频监控、人机交互、智能交通等方面具有广泛的应用。但由于跟踪场景的复杂性,如光照变化、目标遮挡、目标外观变化等,目前要设计一个准确、鲁棒、实时的目标跟踪算法仍有许多关键问题亟待解决。由于特征的时效性,单一特征无法适应场景的动态变化,因此基于单一特征的目标跟踪算法难以取得鲁棒的跟踪结果。若将多个特征融合应用于跟踪算法中,则可利用不同特征之间的互补性,更好的适应场景变化,实现鲁棒的跟踪结果。因此本文围绕多特征融合对经典MS算法及粒子滤波算法进行了探讨,研究了基于多特征自适应融合的目标跟踪算法。主要研究内容如下:第一,给出了构建基于特征可分性及稳定性度量的多特征目标模型方法;建立了利用多特征融合解决目标跟踪问题的通用模型,为实现不同算法框架下的多特征融合目标跟踪提供了解决思路。基于上述通用模型,针对MS算法及粒子滤波算法建立了多特征融合跟踪总体框架。第二,研究了基于多特征融合的MS目标跟踪算法。经典MS算法存在单一颜色特征无法包含目标的所有信息、无法自适应目标尺度变化、缺乏目标模型更新机制和遮挡情况下的偏移等缺点,本文基于多特征融合跟踪框架对其进行了改进。一是加权融合多个特征建立目标多特征模型,克服仅利用单一颜色特征分布导致的跟踪鲁棒性差的问题;二是依据不同特征对目标和背景的可分性,动态分配特征权值,并提出自适应更新目标多特征模型和遮挡处理方法;三是通过调整核窗框的大小实现算法的尺度自适应;四是利用前向—后向跟踪对跟踪结果进行调整,提高跟踪精度。实验结果表明,该算法有效提高了在目标遮挡、光照变化等场景下跟踪的准确性。第三,改进了基于多特征融合的粒子滤波目标跟踪算法。该算法主要解决经典粒子滤波算法中使用单一特征目标模型鲁棒性不高的问题。首先,为了避免用矩形框描述目标包含背景信息对目标模型产生影响,对分块后的目标区域进行多特征建模,从而获得更精确的目标模型;其次,基于特征的可分性度量结果,给出了自适应的特征融合策略;然后,依据特征的稳定性度量结果,对目标的子模型进行选择性更新,以实现算法的长时间有效跟踪;最后,实验结果证明,该算法在复杂场景下具有更好的鲁棒性。