随着计算机技术和信息技术的飞速发展,使计算机能够处理视觉信息,以弥补人类视觉的缺陷已经成为一个引人注目的研究课题,因此促进了计算机视觉这门学科的产生和发展。目标跟踪是计算机视觉的重要研究内容,目前已经被广泛应用于智能视频监控、智能交通、人机交互技术、三维重构和视频压缩等领域。现有的大多数跟踪算法都能够被描述为一个使用确定性或者随机性方法的最优化过程。确定性方法是使用梯度下降法来搜索代价函数的最小值,比如mean shift算法。一般来说,确定性方法计算复杂度小,但是它搜索到的极值很有可能只是局部极值而不是全局极值。与确定性方法相比,随机性方法更具有鲁棒性但是计算复杂度较高。粒子滤波算法是随机性方法中的典型代表,它用一系列带有权值的随机粒子来估计目标状态,其中每一个粒子表示对目标状态的一种假设,粒子的权值表示粒子的状态是目标真实状态的概率。目标状态的最优估计表示为所有粒子状态的加权平均。本文以基于颜色直方图的粒子滤波算法为基础,分析了算法中存在的一些问题并提出了改进措施。基于颜色直方图的粒子滤波算法仅利用目标的颜色特征对粒子权值进行更新,当背景与目标的颜色分布相似或者目标被遮挡时,易发生误跟踪。尺度不变特征(SIFT)具有较高的独特性,但是仅使用SIFT特征不足以对小目标进行描述。本文将SIFT特征和颜色特征引入粒子滤波算法对上述两种情况进行处理。为了防止颜色模板的误更新,本文根据当前帧跟踪结果与SIFT模板中特征点的匹配数目决定是否对颜色模板进行更新。实验结果表明,当目标被遮挡或者位于有相似颜色的杂乱背景时,提出的方法能有效地提高跟踪的精确度。粒子滤波算法中采用转移模型作为重要性采样函数,这不是一种最优选择。由于目标的快速随意运动,从转移模型中抽样得到的预测粒子可能位于观测模型分布的尾部,使得大多数粒子的权值较小,导致粒子滤波算法跟踪失败。本文用粒子群优化算法(PSO)来解决这一问题。经过PSO算法的迭代,粒子被移动到观测模型的概率值较高的区域,从而使得每个粒子都获得较大的权值,最终获得更好的跟踪结果。由于PSO算法是一个迭代的过程,如果对每一帧的预测粒子都利用PSO算法进行优化,算法的时间复杂度会大大增加。本文中只有当粒子的平均权值小于一定的阈值时,说明粒子状态是目标真实状态的平均概率值较小,此时采用粒子群优化算法对预测粒子进行优化,然后输出算法收敛时的全局极值作为目标状态的估计。如果粒子的平均权值大于阈值时,直接将预测粒子进行加权平均作为目标真实状态的估计。实验结果表明,改进算法的鲁棒性和实时性都较好。