目标跟踪技术是通过对视频中序列图像的处理,获得感兴趣目标在连续序列图像中位置随时间变化的轨迹。目标跟踪在计算机视觉领域占有重要地位,广泛应用于视频监控,人机交互,自动驾驶等多个领域。目标轮廓跟踪能够清晰地表达出目标的边缘轮廓,提供目标的形状变化信息,因此成为目标跟踪领域的一个重要研究方向。目标跟踪技术已研究多年,但仍存在许多问题有待解决,比如复杂环境造成的干扰,目标发生拓扑变化或遮挡,光照变化等。因此,研究一种高准确度,高性能的目标跟踪方法具有重大的意义。本文设计一种结合目标运动信息和表观特征的方法来实现目标轮廓跟踪,克服了传统的基于表观特征目标轮廓跟踪对于颜色,梯度等特征的依赖性,在目标表观特征不够明显,但是具有明显相对运动的场景中能达到良好的跟踪效果。本文研究工作如下:1)以超像素为基本单元提取目标与背景的颜色特征和纹理特征,构建基于表观特征的目标/背景模型,考虑到实际场景中的目标或背景存在多种表观模式(多种颜色或纹理),使用两类分类器很难得到正确分类结果,本文提出一种基于局部信息的置信图计算方法,并将其与SVM分类器得到的置信图进行自适应权重融合,得到更为可靠的表观特征置信图。2)引入光流法来刻画目标的运动信息,得到的光流场能够代表每个像素点的运动速度大小和方向。由于光流场的计算结果可能出现运动模糊,或者包含非目标区域,导致运动特征的提取不够准确,提出了一种自适应光流灰度级调整的方法,来扩大目标和背景区域的灰度值差异,使得运动特征更为明显。该方法首先基于超像素进行局部光流方向直方图统计和全局光流方向直方图统计,划分出目标和背景区域,然后通过自适应确定目标背景区域光流灰度值的分割阈值,动态调整光流灰度级,得到调整后的光流灰度图。3)将调整后的光流灰度图和基于表观特征得到的置信图作为两个属性训练决策树,决策树采用ID3决策树算法,根据信息增益最大准则进行构建,利用决策树对感兴趣区域的像素点进行预测,得到结合运动信息和表观特征的置信图,引导水平集函数演化到目标轮廓边缘。通过多组实验,对比其他算法,验证本文算法的优势性。