视觉跟踪是目前机器视觉研究领域的热点问题,它在安全监控,智能交通,视频压缩与检索等方面有广阔的应用前景。视频跟踪系统以图像序列为输入,输出则是图像中目标的各种属性,如目标大小,位置,速度等。在理想情况下,这些输出信息都应该是实时的、准确的。然而,在现实世界中,由于各种干扰的存在,往往很难达到理想状态。能够递推估计目标状态的滤波算法则是整个跟踪系统的重要基石。近年来出现了一个研究非线性非高斯滤波算法的高潮。本文所做的工作就是研究一种视频跟踪算法,使其能够有效地抑制现实世界中存在的种种干扰。本文首先回顾了卡尔曼滤波算法(Kalman Filtering,KF)、扩展卡尔曼滤波算法(Extended Kalman Filtering,EKF)以及Unscented卡尔曼滤波算法(Unscented KalmanFiltering,UKF),但更多的注意力集中在了以序列蒙特卡罗估计为基础的粒子滤波算法;其次,本文对Unscented变换策略以及粒子滤波重采样策略都进行了研究,提出了一种基于最小偏度采样的UPF(Unscented Kalman Particle Filtering,UPF)算法,并且将该策略应用于UKF算法中,以UKF方法生成建议分布并从中采样,解决了一般粒子滤波算法中以转换先验密度函数作为替代分布所引发的粒子退化等问题;最后,本文提出了一种新的视频目标跟踪算法,它以粒子滤波为框架,融合了观测数据中的颜色信息与运动信息。理论分析和实验结果表明,改进的UPF算法提高了滤波的稳定性和精度,算法的运行效率也提高了30%;同时,新的视频目标跟踪算法有效地提高了算法的鲁棒性和跟踪的准确性