视频运动目标跟踪一直以来都是计算机视觉研究领域的热点,它在视频监控、交通监测等方面有着广泛地应用。尽管人们已经提出了许多有效的视频目标跟踪算法,但是在真实复杂的自然场景下进行运动目标跟踪仍然面临着许多困难,如光照变化、目标遮挡、复杂背景等。面对行人等非刚体目标跟踪还需要额外考虑目标的姿态、形变等因素的干扰。因此,研究与开发鲁棒的通用目标跟踪算法极具挑战又是迫切需求的。本文利用单目摄像头,对复杂监控场景下单目标和多目标跟踪问题进行了深入的研究和探讨。在视频单目标跟踪方面,重点研究了目标观测模型的设计,从生成式模型和判别式模型两个方向展开,以处理目标在跟踪过程中的遮挡及形变问题;在视频多目标跟踪方面,则围绕目标之间数据关联问题进行研究,提出了一些新的有效的算法,以处理多目标之间的频繁遮挡及相似目标干扰问题。主要的研究成果有:(1)提出了基于拉普拉斯误差估计的结构化稀疏跟踪方法。经典的稀疏表示跟踪方法(L1T)基于高斯误差分布假设,利用极大似然估计(MLE)得到l2范数重构误差逼真项,但是该假设并不符合现实场景中由局部形变及遮挡所带来的稀疏噪音问题。因此,本文在L1T算法基础之上对误差进行了更为合理的拉普拉斯分布假设,以提高内标观测模型的鲁棒性。此外,算法基于粒子滤波框架,利用粒子间空间结构的相关性对表示系数进行结构化村扣似性正则约束,把单个粒子稀疏表示问题转化为粒子群联合稀疏表示优化问题。改进的-非精确增广拉格朗日乘子法(IALM)被用来对上述模型进行求解。完善了模型的本质分析,并建立了与Huber损失函数回归方程之间的内在联系。在公开的具有挑战性的视频序列数据集上进行了定量考察与定性分析。实验结果表明,本文算法相对于传统的L1T算法而言,在鲁棒性与跟踪精度上均有大幅度的提升。(2)针对目标在跟踪过程中的局部遮挡及形变问题,提出了基于区域的深度学习跟踪方法。深度学习模型由于其强大的特征学习及判别能力,已经被成功应用在视频跟踪领域。但现有的深度学习跟踪方法依赖于单一观测模型,注重对跟踪区域的整体表达,而忽略了目标的局部表示特性。本文将目标划分为多个子区域进行局部观测,每个区域由一个栈式自编码(SAE)深度学习模型来表达。构建了基于因子隐马尔可夫模型(FHMM)的稳定因子隐变量,对各子观测模型在视频跟踪序列上的稳定性进行动态描述。该稳定因子不仅给出了各模型在推测阶段响应值的置信度,同时决定着模型在线训练阶段的更新准则。与现有固定的训练跟踪方法相比,本文所提出的自适应模型更新策略能够有效地抑制噪音区域对特征学习的干扰,提取更为精确的局部特征。为了提升计算效率,算法充分挖掘了深度学习模型的结构化响应特性,结合粒子滤波和高斯混合模型(GMM)对最终结果进行估计。在公开的数据集上同近几年提出的多种跟踪算法进行了全面的分析和比较。实验结果表明,本文算法在复杂环境下能够对目标实现稳定有效跟踪。(3)针对多目标跟踪场景中相似目标干扰问题,提出了一种基于核化相关滤波器的多目标跟踪方法。基于检测跟踪范式,多目标跟踪问题需要解决的核心是目标间的数据关联问题,而数据关联所依赖的目标间相似性度量通常受到目标周围信息的干扰。鉴于此,本文对目标周围背景区域及相似目标区域实施密集采样,建立核化脊回归模型并求解得到具有判别信息的滤波模板。为了应对大量样本训练所带来的计算瓶颈问题,依靠循环矩阵理论,通过傅立叶变换将空域内的回归问题映射到频域内求解。目标间的相似性由滤波模板在关联目标区域的相关性来度量。针对漏检及长期遮挡问题,本文采用级联的关联策略。首先将相邻帧强相关目标进行局部关联形成轨迹片段。然后利用轨迹片段的时空信息进行运动估计,结合相关滤波给出轨迹片段相似性度量。最终的数据关联问题被转化为最小费用流问题进行迭代求解,得到目标完整轨迹。在标准数据集上的实验结果表明,本文所提算法对于长时间遮挡、相似目标干扰等复杂情况下的多目标跟踪具有一定的鲁棒性。(4)从子空间聚类的角度对多目标跟踪问题进行了研究,提出了基于时空约束的多目标跟踪方法。基于检测跟踪范式,将带有噪音的检测目标集视为由多个子空间采样样本构成的并集,每个跟踪目标对应一个独立的低维子空间。因此,传统的数据关联问题可转化为基于表示方法的子空间聚类问题。依据视频序列的时空特性构建样本间局部相似矩阵及时空互斥矩阵,对表示空间进行时空正则约束。将模型求解得到具有块响应特性的表示系数作为样本间相似性度量,并进行带有时空约束的凝聚层次聚类,实现视频序列上的多跟踪目标间数据关联。由于算法依赖于全局数据空间表示,目标的全局关联特性使得模型本身可以处理长期遮挡及漏检问题。在多个视频序列上对本文所提算法给出了综合的评判。实验结果表明,本文算法在复杂环境下能够对多个目标实现有效跟踪。