目标跟踪是计算机视觉领域的基础研究方向之一,而轮廓跟踪作为它的重要的组成部分,在视觉分析与理解中占有重要的地位。通过轮廓跟踪,可以获得目标的姿态、行为、运动等信息,为后续的高层的行为识别和理解奠定了基础。目前,轮廓跟踪已经广泛应用到人机交互、虚拟现实、医疗诊断、安全监控等领域。虽然如此,目前轮廓跟踪仍有很多理论及技术问题需要解决,比如跟踪指定目标需要离线地训练大量样本、目标丢失或者消失后重新出现和局部遮挡问题等。研究轮廓跟踪具有实用价值和良好的市场前景。本文的工作以在视觉监控场景下长时间跟踪目标轮廓、解决遮挡问题为目标。在下面三个问题上进行了深入的探讨和分析:1)针对目标轮廓的长时间跟踪,本文提出了将基于判别式表观模型的水平集与在线检测的方法相结合的方法。在跟踪过程中加入检测机制,用检测器来辅助跟踪。我们提出用检测器的结果来重新初始化目标轮廓的方法,解决了跟踪漂移和目标丢失的问题,实现了长时间跟踪目标轮廓;同时,我们将检测结果应用到表观模型更新过程中,提高了跟踪性能。2)针对遮挡情况下的轮廓跟踪,本文提出了一种基于非负矩阵分解(NMF)的形状先验模型,并提出一个权重距离因子来控制模型的在线增量学习的方法。本文使用分层的水平集跟踪框架,并提出了一个基于非负约束最小二乘(NNLS)的判别标准来确定是否需要将形状先验模型与表观模型相结合,解决了跟踪过程中的遮挡问题。3)针对目标轮廓跟踪的在线问题,本文引入了在线初始化和在线学习机制。其中,在线初始化包括水平集的初始化、表观模型初始化、检测器初始化和形状模型初始化;在线学习包括表观模型在线学习、形状模型在线学习和检测器的在线学习。克服了在线的跟踪不能离线地训练样本、不能适应目标变化的问题。