近年来,数字化技术不断发展和推广,人们越来越容易获取、存储和处理各类视频数据,并从视频数据中提取出有价值的信息以实现对视频内容的高层次理解。对于序列图像中的动目标跟踪问题,跟踪算法的可行性、普适性以及实时性都是需要考虑的重要因素。多数目标跟踪方法的切入面较窄,对场景和目标具有针对性,难以兼顾算法的跟踪精度、实时性和普适性。本文对现有目标跟踪方法展开讨论,总结各方法特点及发展趋势,在此基础上研究如何提高多目标跟踪算法的精度和实时性,主要完成了以下工作:1、在阅读了大量国内外目标跟踪领域文献的基础上,对序列图像中的目标检测和目标跟踪方法进行了综述,着重总结了两类经典多目标跟踪方法的核心思路和跟踪步骤,为提出新的多目标跟踪方法提供理论依据。2、本文提出一种组合多模型的短时间间隔多层次目标跟踪方法和一种基于Kalman滤波的长时间间隔目标跟踪算法,缓解了目标在运动过程中由于外观变化大以及长时间遮挡造成的目标难于跟踪的问题。首先根据Hog分类器获得的每帧图像上的目标检测结果,组合目标颜色、位置和尺寸等特征,计算相邻帧上每两个目标之间的相似度,通过设置多个判别条件获得可靠的短目标轨迹。然后建立短间隔轨迹的外观模型、运动模型、时间模型、目标检测精度模型和场景结构模型,组合多模型计算得到这些轨迹之间的相似度矩阵,并利用Hungarian算法获得这些轨迹之间的最佳关联,以得到更长的目标轨迹。多次重复上述操作,获得更完整的目标轨迹。最后,针对长时间被遮挡但外观相似度较高的目标,本文采用Kalman滤波算法,组合外观模型和运动模型实现长间隔轨迹的进一步关联。实验结果表明,该方法能提高目标跟踪结果的连续性,缓解了目标遮挡对跟踪性能的影响。3、本文提出一种基于双向运动估计的多层次多目标跟踪算法,提高了跟踪系统的实时性。首先为了提高上述组合多模型的短时间间隔多层次目标跟踪方法的计算效率,该方法只利用了目标运动模型。其次,该方法引入双向运动估计的策略来提高这种单模型目标关联方法的可靠性,即通过计算前后两个方向对两条目标短轨迹的运动估计参数值之间的相似度来度量这两条短轨迹之间的运动关联度。最后设置多个判别条件计算短轨迹之间的最佳关联,达到获取更长的目标轨迹的目的。测试实验表明,该算法加快了目标跟踪的效率。