随着智能交通、平安城市、平安政府等一系列智能化概念的提出,智能视频监控技术逐渐成为现代信息化、网络化社会的基础支撑技术之一,其中视频序列中运动目标的精确跟踪问题已成为目前该领域的一个热点研究方向。目前基于贝叶斯推理的跟踪方法是视觉跟踪技术研究的主要方法之一,其具体的思路是将目标跟踪问题转换为贝叶斯估计问题,在已知目标状态先验概率的情况下,通过获取新的目标观测并递归求解目标的最大后验概率,但是在实际的视频目标跟踪过程中,后验概率的分布具有非线性、非高斯、多模态的特点,因此研究人员会采用粒子滤波方法解决视频目标跟踪的难题,目前该方法已经成为视频目标跟踪领域的常用方法,基于粒子滤波算法的视频目标跟踪效果主要取决于三个因素：粒子权值的退化问题、可靠的观测模型以及精确运动模型。通常情况下,通过被噪声干扰的二维图像序列来建立精确的运动模型几乎是不可能的,因此研究人员主要通过建立可靠的观测模型并尽量消除粒子权值退化问题,但是现实条件下诸多问题制约着该技术的发展,例如：在光照突变、姿态改变、部分遮挡或完全遮挡、快速运动、目标机动等情况下,视频目标跟踪的精确性和鲁棒性一直未能很好的解决。本论文在教育部博士点基金项目(20106201110003)的资助下,以提升不同复杂环境下视频目标跟踪系统的精确性和鲁棒性为目的,就粒子滤波算法和目标特征的融合处理展开了系统、深入的研究,并取得了以下几项研究成果：1.建立了粒子滤波方法建议分布函数的优化机制标准粒子滤波(Particle Filter,PF)方法的主要思想是对系统状态的后验概率密度采用求和近似方法进行求解,这样可有效避免对状态矩阵进行相应的求积分运算,采用样本均值的方法对系统的后验状态进行估计。标准PF算法中,为了计算简便,采用一步转移概率作为系统的最优建议分布函数,但是由于缺乏最新观测信息对模型的修正作用而导致粒子权值退化现象的产生。本文立足观测信息与粒子权值退化之间的原因,建立了观测信息对粒子权值退化的修正思想和实现步骤,并采用积分卡尔曼滤波和改进的弦线迭代无迹卡尔曼滤波方法对采样粒子进行最新量测更新处理,提出了两种改进的粒子滤波方法,并将相应的方法应用在视频序列的运动目标跟踪系统中,有效提升了跟踪的精度。由于该算法采用一种普遍通用的思维进行改进,因此本文对建议分布函数的优化机制可以适合于多数具有优化处理能力的方法,具有较好的开放适应性。2.提出了噪声未知情况下的自适应滤波方法目前针对粒子滤波的研究,多数都是集中在系统噪声统计特性精确已知的情况下展开,但在实际应用过程中系统噪声的统计特性是无法预先精确获知的,特别是光照突变及遮挡等不可预估的复杂场景下,必将改变系统噪声的统计特性,噪声的时变特性也会直接导致系统模型的失配,从而降低系统的整体跟踪精度甚至跟踪失败。针对上述问题,本文提出了一种系统噪声统计特性未知情况下的自适应粒子滤波方法,采用Sage-Husa估计器对系统未知噪声的统计特性进行实时估计,并将无迹卡尔曼滤波方法引入到Sage-Husa估计器的量测更新中,较好的削弱了噪声统计特性估计器的发散现象。3.建立了粒子自适应采样及滤波发散抑制机制通常情况下,粒子滤波方法的滤波精度与采样粒子数成正比关系,但并不是在所有的情况下都适用较多数量的采样粒子,因较多的粒子数在很大程度上限制了计算的速度,从而限制了算法的实时性。因此,本文在深入分析系统观测信息残差对采样效率影响的基础上,引入系统估计和预测提供的新息差值估计,通过获得的观测新息差值在线自适应调整采样粒子数,实现了较少粒子采样数与高精度系统模型的匹配,在降低采样粒子数的同时保持了较高的采样精度。同时,采用最新量测信息对滤波发散趋势进行判断,并引入衰减记忆因子来有效抑制发散,较好的保证了系统噪声方差阵的半正定性和正定性,有效增强了基于该方法的视频目标跟踪系统的精确性和鲁棒性。4.实现了视频多特征自适应融合处理随着多源信息融合技术的发展,目标多特征融合技术在增强跟踪的精确性和鲁棒性方面表现出了独特的优势,但是当前的融合方法多数均是采用乘性融合和加性融合进行特征信息的简单处理,乘性融合会使目标的概率分布变得更加尖锐,虽然可以增强概率密度的鉴别能力,却抑制了状态分布的多峰性,放大了系统的噪声,而加性融合是采用特征权值加权求和的方法给出目标系统最终的权值调整因子,虽然能够削弱噪声对系统估计的影响,但是跟踪效果的可信度却没有太大的改变。针对这些不足,本文立足不同信息的互信息熵理论提出了不同特征的置信度度量方法,实现了视频多特征的自适应融合处理,并将该方法应用在高速公路上不同场景的车辆跟踪问题,有效提升了复杂环境下目标跟踪的鲁棒性和精确性。本论文的研究内容进一步拓展了粒子滤波算法理论的适用条件和应用范围,有效提升了不同复杂环境下智能监控系统中目标跟踪方法的鲁棒性和精确性。