随着现代网络各个方面的飞速发展,社会网之间的关系越来越紧密。视频序列中目标的跟踪已经成为计算机视觉方面不可或缺的一部分。视频序列目标跟踪广泛应用于人机交互、视频监视及交互视频的制作、医学影像等。目标跟踪的过程是通过给定视频序列第一帧中目标的初始参数(比如位置和尺寸),然后根据所拥有的条件以及现有的跟踪方法来对后面帧中的目标状态进行估计。视频序列中目标的跟踪具有很大的挑战性,需要考虑很多的影响因素,比如序列中的光照变化,目标部分被遮挡或完全被遮挡,二维/三维目标旋转、变形,比例变化,低分辨率,快速移动,目标模糊,目标与背景相似或与场景中的其他物体相似等。目前存在的跟踪方法都有各种各样的限制条件,不能完全自由的应用于各种场景下的目标跟踪。本论文通过详细的分析以及总结目前存在的跟踪算法,重点研究对现有目标跟踪方法的融合来生成一种新的跟踪方法。本论文中主要涉及以下内容:(1)通过梯度上升法融合多个现有的目标跟踪方法得出一种新的方法。通过多个跟踪方法对具有特定属性(影响因子)的多个视频序列进行跟踪,得到的多个跟踪结果以矩形边界框的形式作为新方法的输入,首先根据吸引公式计算出各个跟踪结果框与其它跟踪结果框的吸引力,并标记出与其它跟踪结果框吸引力最大的那个框及最大吸引力的值,然后以此具有最大吸引力的框作为初始点,通过梯度上升法进行迭代,满足最终结束条件后得到最终的结果框,目的是将多个跟踪结果框融合为一个框。本文的研究内容是通过调整吸引函数中的参数来提高对特定属性的视频序列的跟踪效果。(2)通过改进的K均值算法来融合多个跟踪方法,然后迭代生成一种新方法。首先得到多个目标跟踪方法的跟踪结果框,并以这些结果框的坐标作为新方法的输入,通过设定阈值来不事先限定分类数进行K均值聚类,并加入权重来改进K均值的分类效果,最终得到一个矩形边界框作为本方法的跟踪结果,此方法的跟踪效果和运行时间都优于融合前的多个跟踪方法。此两种方法都是通过成功率曲线和精度曲线来评估目标跟踪算法的跟踪效果。精度是通过像素空间中目标的跟踪框与实际框之间的中心位置误差来评估的;成功率是通过目标的跟踪框与实际框之间的重复率来评估的,覆盖率是这两个框的交集区域与并集区域的比值。本文中用到的视频序列具有多种不同的属性(影响因子),通过对这些视频序列跟踪来进行多种跟踪算法的性能评估。