视频目标跟踪是指获取视频序列中感兴趣目标的状态参数,如位置,速度等,只有对目标完成实时准确的跟踪才能继续研究更为复杂的视觉任务。它作为计算机视觉领域的前沿研究课题,在智能监控、人机交互等方面有着巨大的发展空间。在实际的跟踪场景中,目标数目是时变的,目标的运动状态也存在不确定性,针对这些问题相应的多目标跟踪技术应运而生。近来发展的基于随机集理论的多目标跟踪技术避免了复杂的数据关联,适合处理数目变化的跟踪问题,且运算效率高,适合应用于工程。本文主要对基于随机集理论的跟踪算法在视频监控领域中的不足之处做出改进,包括:提高跟踪效率,增加航迹识别功能以及提高观测似然的可靠性。介绍了箱粒子的基础理论,箱粒子滤波本质上是广义的粒子滤波算法,将区间分析与传统粒子滤波相结合实现一种处理非精确量测的方法,与传统粒子滤波相比,它在保证跟踪精度的前提下,使用更少的粒子提高了运算效率,更好的满足了视频跟踪系统中实时性的要求。在随机集与箱粒子滤波基础上,对多目标视频跟踪方法作了深入研究。提出了一种带有航迹识别功能的箱粒子PHD多目标跟踪方法。箱粒子PHD视频跟踪算法是通过目标检测算法得到的位置进行更新的,为达到良好的跟踪效果首先设计了一种快速的目标检测算法以产生较为准确的位置量测,通过高斯初始化策略来实现背景差分的阈值自动选取,提高了算法对环境的适应性。为弥补PHD滤波无法区分目标的不足,设计了航迹识别算法,利用目标的特征区分出每个目标的航迹,同时进一步剔除了目标状态集中的杂波,保证了跟踪精度。针对单一位置特征对目标描述不充分的问题,提出一种改进似然的箱粒子PHD视频目标跟踪方法。考虑到尺度不变特征(SIFT)对于光照和尺度变换的不变性,采用位置特征和尺度不变特征共同描述目标,弥补了传统箱粒子PHD滤波只有运动特征忽略目标表观特征的不足。实验表明当目标间发生交叉、遮挡等复杂情况时,本算法体现出了良好的跟踪效果。