滤波技术是视频跟踪中的一项关键技术,它能够递推估计目标状态,从而成为达到精确跟踪效果的一个重要保障。经典的卡尔曼滤波仅适用于线性系统,改进后的扩展卡尔曼滤波和无迹卡尔曼滤波算法能适应非线性系统,然而当系统噪声呈非高斯分布时,它们的滤波精度将大幅下降。粒子滤波是一种通过蒙特卡罗仿真方法来完成一个贝叶斯递推过程的滤波算法。它在非线性和非高斯领域有着独特的优势。本文首先介绍了一些常用的基本滤波算法,诸如:卡尔曼滤波、扩展卡尔曼滤波、无迹卡尔曼滤波和粒子滤波等,并通过仿真分析了各种算法的优缺点;其次,本文针对粒子滤波算法中存在的粒子退化问题,用系统重采样算法对多项式重采样算法进行改造,从而形成了一种改进的重采样算法。仿真结果表明,该改进算法的性能要优于其他常用的重采样算法;同时,本文研究了几种改进的粒子滤波算法,其中重点放在了基于最小偏度采样的无迹粒子滤波算法上,通过仿真分析了各种算法的优劣;最后,本文把SIR粒子滤波和基于最小偏度采样的无迹粒子滤波算法结合了起来,解决了后者在视频跟踪中计算量偏大的问题。仿真证明该算法在几乎不降低原有算法滤波精度的基础上,将运行时间减少了25%左右。此外,该算法能通过简单的参数调整来取得滤波精度和实时性上的不同折衷,从而适应不同系统对滤波算法的不同要求。