对图像序列中目标的运动分析是计算机视觉领域的研究热点之一,其研究内容主要包括运动目标捕获、运动目标分割、目标跟踪、目标理解等。其中,运动目标的捕获、分割、跟踪是进行运动分析的前提条件,一个良好的分割与跟踪结果是正确进行目标理解的前提与保证。近年来,基于水平集的几何活动轮廓模型在图像处理领域得到了较大发展,该方法能够鲁棒的对目标轮廓进行提取,并且对初始条件依赖较小。本文围绕几何活动轮廓模型方法,研究运动目标跟踪技术,使计算机视觉系统可以自动分割目标并进行连续跟踪,同时在跟踪过程中提取目标轮廓信息。论文主要研究内容如下:1.提出了一种多特征融合的活动轮廓跟踪算法。传统的基于区域特征的活动轮廓模型在跟踪过程中只使用区域特征,在某些场景中能取得好的效果,但是不能在复杂场景中准确跟踪,存在很大的局限性。本文融合了区域特征(颜色、纹理)和梯度特征,提出了一种新的活动轮廓跟踪方法,将多个特征整合在一个能量函数中,使算法在低对比度和复杂场景中能够对目标进行有效跟踪。为了降低计算复杂度,该方法将先前帧的信息用于当前帧的水平集初始化中,并且在能量函数中加入能量驱动函数和气球力。实验结果表明,与常用的基于区域特征模型相比,该模型的跟踪效果更加鲁棒。2.提出了一种距离度量学习的活动轮廓跟踪算法。基于轮廓的跟踪算法,可以通过计算目标轮廓内部和外部区域的概率分布(例如颜色)来实现。如何选择合适的距离度量用于测量两个分布之间的相似度对于跟踪性能有非常大的影响。现有的大多数基于轮廓的跟踪算法使用预先确定的度量描述两个分布之间的相似度,难以准确地获得度量结果。本文提出了一种新的轮廓跟踪的变分水平集框架,其中图像能量函数由前景分布和给定模板之间的距离建模,除以由背景分布和给定模板之间的距离。两个分布之间距离的形式由二次距离表示。为了获得更加鲁棒的跟踪结果,本文使用KISS算法来学习度量矩阵。为了减少计算复杂度,将先前帧的信息用于每一帧的水平集初始化中,并且在能量函数中加入气球力。对几个视频序列的实验证明了本章算法的有效性和鲁棒性。3.提出了一种基于水平集的多目标跟踪算法。目前对基于活动轮廓的跟踪方法的研究主要停留在单目标跟踪上,而对于实际场景中的多目标跟踪,仍然很不成熟。本文提出了一种基于水平集的多目标跟踪算法,采用改进的帧间差分方法获取水平集的初始演化曲线,并建立目标模板,对目标进行识别标记,利用模板和感兴趣区域之间的相关系数构建能量函数,实现对多个目标的跟踪。实验结果表明,该方法具有较好的跟踪性能。