视频目标跟踪是计算机视觉领域的核心问题,在民用和军事上都具有广泛地应用,如智能监控、人机交互、机器人导航、医学诊断以及精确制导武器等,近十几年随着信息技术的快速发展,目标跟踪吸引了众多研究者的关注,成为热点研究问题。尽管人们已经提出了许多有效的视频目标跟踪算法,但是在实际应用中视频目标跟踪仍然面临许多困难,如光照变化、目标姿态的改变、非线性形变以及背景中的噪声和干扰等,因此设计鲁棒的视频目标跟踪算法仍然是一项具有挑战性的任务。本文从视频跟踪算法的两个主要方面:滤波器设计和目标外观模型设计,开展了深入的研究,并针对视频目标跟踪中的难点问题,提出了一些有效的新方法。1.提出了一种基于颜色特征和自适应卡尔曼滤波的视频目标跟踪算法。该算法首先根据目标主要颜色的分布建立目标模型,能够用较少的参数对目标进行准确的描述,其性能优于常用的基于直方图的目标模型。其次,将卡尔曼滤波应用于目标跟踪中,并根据遮挡情况自适应调整滤波器参数,提高了跟踪算法的鲁棒性。实验表明该算法在目标外观变化、遮挡等情况下能够取得较好的跟踪效果。2.针对基于颜色分布的目标模型完全忽略了空间信息,难以准确跟踪目标尺度变化的缺点,提出了一种基于空间约束颜色模型的概率目标跟踪算法。该算法构造了一种能够同时反映目标颜色分布和空间结构的空间约束颜色模型,提高了模型的分辨能力。同时,本文将空间约束颜色模型与粒子滤波相结合,显著增强了跟踪算法的抗干扰能力。实验表明在目标具有明显尺度变化、姿态改变和部分遮挡的情况下,该算法可以获得准确和鲁棒的跟踪结果。3.为了适应在跟踪过程中目标外观的变化,提出了一种基于粒子滤波的目标模型更新算法。该算法利用目标状态的后验概率密度函数的分布和目标的外观变化测度估计跟踪的可靠性,仅在可靠跟踪时进行模型更新,有效地避免了更新过程导致的模型漂移问题,显著提高了跟踪算法的鲁棒性。4.提出了一种基于团块模型的目标跟踪算法。该算法通过在图像序列中连续地分割出目标的团块特征,并利用团块匹配的方法进行目标跟踪。基于团块的目标模型包含了目标的颜色、空间、形状等信息,能够较详细描述目标的外观结构,因此在跟踪中可以避免干扰物的影响。实验表明该算法能够有效实现复杂场景下的目标跟踪。5.针对红外图像信噪比低、对比度差、目标容易受到干扰等问题,提出了一种基于自适应特征选择的红外目标跟踪算法。该算法通过分析目标及其周围背景的灰度特征,选择能够有效区分目标和背景的灰度对目标建模,然后利用Mean Shift方法进行跟踪。通过实时更新目标特征,该算法在目标和背景灰度发生显著变化时依然可以进行准确跟踪。对实测红外图像序列的实验结果表明该算法对于低对比度的红外目标能够获得稳健的跟踪效果。