目标跟踪是智能监控系统中的重要技术,是实现智能化操作的关键,其准确性直接关系到智能监控的准确性。目标跟踪算法融合了图像处理、自动控制、机器学习等多种思想,广泛的应用于视频跟踪领域中。但是,变电站由于设备陈旧,很多监控视频需要人工实时查看,导致工作效率不高。因此,急需一种算法能实现视频中的目标自动跟踪。众多跟踪算法中本文选择粒子滤波目标跟踪算法完成该项目。粒子滤波目标跟踪算法是通过采集的粒子样本预测估计目标运动的后验概率,选择后验概率最大的粒子样本最为目标的最终位置。该算法由于不受状态空间模型的限制而广泛的应用于视频跟踪中,但当环境复杂时,需要大量的粒子才能准确估计目标位置,因此算法随粒子数的增加算法复杂度增高、运行速度变慢。粒子滤波目标跟踪算法不能自动选择目标,算法实用性较差,因此本文将基于SURF特征匹配的运动目标检测算法进行改进来解决粒子滤波目标跟踪算法不能自动选择目标的问题。针对粒子滤波目标跟踪算法跟踪速度慢和目标无法自动选择问题,本文主要的研究工作如下:(1)提出一种基于改进稀疏编码的粒子滤波目标跟踪算法。本文算法对传统基于稀疏编码的目标模型进行改进,采用L2范式约束稀疏系数,L1范式约束琐碎模板系数,采用岭回归算法和快速迭代阈值收缩算法迭代求解目标模型的稀疏系数和琐碎模板系数,有效降低了目标模型的复杂度,提高目标模型的求解速度。(2)提出一种基于谱残差和改进k-means聚类算法的运动目标检测算法,该算法将谱残差算法和k-means聚类算法改进后引入到基于SURF特征匹配的目标检测算法中,较好地解决了传统检测算法由于特征点匹配不准确而造成的伪目标多、噪点多、目标轮廓不连续、目标检测不完整、不准确的问题。(3)整合改进的检测和跟踪算法,实现目标自动跟踪,并用实际拍的视频和变电站的视频检测算法整合地有效性。在上述的三项工作中,通过改变跟踪算法的目标模型,以及求解目标模型的方法提高跟踪算法的准确性和成功率。通过引入谱残差算法和kmeans聚类算法提高目标检测算法的检测准确性,进而解决粒子滤波目标跟踪算法不能自动选择目标的问题。