目标跟踪是计算机视觉领域的热门研究课题之一,在智能视觉监控、人机交互、智能交通、视频索引、医疗诊断、图像压缩和车辆导航等领域有广泛的应用和发展前景。近年来,虽然目标跟踪领域已经提出了许多优秀的目标跟踪算法,但是设计一个能适应任何复杂场景的目标跟踪算法依然是一个巨大的难题。本文在分析国内外目标跟踪算法的基本理论上,重点关注时空上下文目标跟踪算法。时空上下文目标跟踪算法的优势在于将目标的时间上下文信息和空间上下文信息结合使用,面对光照变化、目标旋转等场景能更准确地跟踪目标,且算法具有实时性和鲁棒性。但是在复杂背景中,当目标发生遮挡和目标尺度不断变化时,目标及其局部上下文区域特征信息会相继发生变化,故引起跟踪漂移和跟踪失败等问题。针对时空上下文目标跟踪算法在目标处于遮挡及复杂背景情况下容易产生跟踪漂移的问题,本文提出了一种基于粒子滤波的时空上下文目标跟踪算法。通过设置实验参数,自动选择第一帧目标所在的矩形区域,在后续帧跟踪的过程中,利用Bhattacharyya系数作为判断是否遮挡的依据,当目标发生遮挡时,引入粒子滤波对目标在后续帧中位置及运动轨迹进行估计和预测,实现了目标的精确跟踪。实验结果表明,该算法不仅能够适用于光照变化、目标旋转、背景区域干扰等复杂背景下的目标跟踪,并且对目标的遮挡具有鲁棒性,满足实时性要求。针对时空上下文目标跟踪算法因目标尺度不断变化导致跟踪精度低的问题,本文提出了一种自适应尺度的时空上下文目标跟踪算法。首先对目标模板进行颜色直方图和HOG特征提取;然后利用时空上下文模型在线学习获得目标置信图概率最大的位置;最后通过更新的尺度方法来自适应跟踪后续帧目标以达到最佳的跟踪效果。实验结果表明,该算法不仅在光照变化、背景干扰、目标旋转等场景展现优势,而且在处理目标尺度不断变化时具有最佳表现,实现了目标的鲁棒性跟踪。