视频目标的跟踪与分割是计算机视觉领域中一个备受关注的研究分支,是计算机视觉领域最重要的底层技术之一,为其它算法的可靠运行提供了必要的前提条件。目标跟踪是指在起始阶段给定目标的初始状态,并能够在后续的视频中估计出目标在每帧图像中的状态。在某些应用中,不仅需要跟踪目标位置,而且还需要精确描述目标的轮廓信息。视频目标分割结合了目标跟踪和图像分割的相关技术,可以对刚性或柔性目标进行跟踪与分割。目前已有的目标跟踪与分割算法在适应目标的自身形变、目标遮挡和尺度变化等方面存在着较多的问题。针对这些问题,本文共提出了四种视频目标跟踪与分割算法,其中有两种算法利用回归模型实现了对视频目标的跟踪,对刚性目标的尺度变化具有较强的鲁棒性;另两种算法结合图像分割理论实现了对视频目标的跟踪与分割,可以实现任意形式目标(刚性或柔性目标)的分割,并对目标的遮挡和尺度变化也具有较强的鲁棒性。主要内容包括四个方面：1.基于学习的模板跟踪方法通常建立在目标外貌特征与目标运动模型成线性关系的假设上。由于该假设过于理想化,实际二者之间的关系常常为非线性映射关系,因此这种假设会影响系统的跟踪精度。针对这一问题,本文提出了混合线性回归模型的模板跟踪方法,它可以更加精确地描述真实问题,避免了由单一线性模型造成的非线性误差,提高了目标跟踪的精度;并且,整个学习过程完全由数据驱动,不需要人为干预,因此也避免了单一非线性回归模型中需要预先确定模型方程阶数的困扰。同时,针对现有回归模型进行目标跟踪的方法中模型学习计算量大的问题,本论文提出了快速学习的方法。它将一个较大维数的矩阵求逆运算转换成两个较低维数的矩阵求逆运算,大大减少了算法的学习时间；并且,克服了混合模型中每个子模型由于学习样本少而容易受到噪声影响的缺点。本算法是将目标的运动模型与图像特征构建关系,在跟踪过程中可以直接计算出目标的运动方向、速度和尺度变化等。2.针对混合线性回归模型中各子模型关注系数与输入样本无关的问题,本文提出了混合专家系统模型的模板跟踪方法,它利用“软边界”理论将各子模型的关注系数推广成为输入样本的函数,因此混合专家系统模型是混合线性模型的扩展形式,与单一回归模型相比,它同样具有混合线性模型的性质。利用最大似然函数法在模型的学习过程中将模型参数独立开来,可以分别求解。并且,本论文提出了预测子和线性表达系数的在线求解方法,增强了系统对不同环境的适应能力。3.在某些应用中,不仅需要跟踪目标位置,而且还需要精确描述目标的轮廓信息。并且,其目标通常是具有自身形变的柔性物体。针对这些问题,本论文提出了一种基于显著性滤波器的视频目标分割方法。视频目标分割不仅需要实现对目标的跟踪,而且需要对目标的轮廓进行精确描述。本算法将目标跟踪与分割转化为显著性分割问题,通过计算连续两帧之间目标的“相对显著性”和单幅图像的“绝对显著性”,表达目标在时空中的一致性。根据目标的显著性特征建立条件随机场,并利用图分割理论实现目标的跟踪与分割。本算法属于基于区域的分割方式,每个区域采用Local Log-Euclidean Covariance Matrix (L2ECM)特征进行描述,这种特征可以将不同的原始信息相融合,不受区域形状及尺度的影响,完全可以对具有自身形变的柔性目标进行跟踪与分割,具有较强的鲁棒性。同时,本算法中的系数在线调整策略可以根据不同线索函数对图像的分辨能力调整其在能量函数中的关注程度,增强了系统的鲁棒性。4.为了提高视频目标的分割精度,本论文提出了一种基于矩阵低秩稀疏表达的视频目标分割方法。它将当前帧中的图像看作是模板集的线性组合,视频目标的分割问题则可以转化为矩阵低秩稀疏优化问题,其计算获得的线性系数可以作为度量目标时空一致性的标准。同时,本论文提出了模板集更新策略,在柔性目标或目标被部分遮挡的情况下,系统仍然能够较好地跟踪与分割目标。结合系数的在线调整策略,完全实现了不同视频环境下目标的在线分割。并且,本算法町以通过修改字典模板的表达方式,在不增加学习系统复杂度的情况下实现多目标的跟踪与分割。