视频目标跟踪作为计算机视觉领域的热点研究方向,已经广泛应用到海陆空交通、公共安全、民用安防等方面。然而,受实际场景中光线变化、背景和噪声干扰、目标间重叠及遮挡、相机视角变换等众多因素的影响,实现可靠和准确的目标跟踪是一项颇有挑战的任务。视频目标跟踪的目的是对采集到的连续视频帧中的目标进行定位、并获取目标的重要状态信息,如目标的质点坐标、尺寸、速度、轮廓、以及运动路径等,为后续高级的视频分析和处理提供支持。本文针对传统粒子滤波方法在视频跟踪上所表现的不足,在基于检测的跟踪框架下,将Adaboost检测器与粒子滤波相结合,提出了两种改进算法,分别应用于单目标跟踪和多目标跟踪。具体如下:(1)针对粒子滤波在模板更新时会引入误差、导致跟踪漂移甚至失效,而粒子滤波又无法再次初始化的问题,提出了一种融合在线检测和粒子滤波的单目标方法。该方法采用在线Adaboost进行特征提取并检测目标,同时根据粒子滤波的跟踪结果更新样本集,利用更新的样本集训练分类器、对目标进行位置检测;通过比较检测器和跟踪器结果,将其中具有较高置信度的结果确定为最终目标位置。仿真结果表明,该方法有效地克服了目标频繁进出场景和模板歧义引起的漂移问题,改善了跟踪算法的性能。(2)针对混合粒子滤波在多目标跟踪中目标要求数目固定、大量目标交叠引起目标自身歧义且不能自动初始化的问题,本文设计了一种可以同时进行检测和跟踪的算法。该方法引入了级联Adaboost检测器,通过检测器检测出入场景的目标,由检测结果构建目标建议采样分布;同时采用分块HSV直方图和HOG特征对目标外观进行有效地表达,最后在混合粒子滤波框架下实现可变数目的多目标跟踪。实验证明,该方法可以自动跟踪数目变化的多目标,且较好地解决了相似目标外观特征的混淆问题,实现了多目标的鲁棒性跟踪。