视觉目标跟踪是一种利用视频传感器,通过分析和理解视频信号定位和跟踪视觉目标的综合性技术,在计算机视觉领域占有重要地位。就视觉目标跟踪相关研究和应用而言,鲁棒性是最基本和最重要的问题。随着计算机硬件技术的发展,视觉目标跟踪算法实时性问题越来越多地依赖于硬件方案解决;视觉目标跟踪的核心问题就是如何增强跟踪算法应对各种复杂背景环境和各种干扰因素的鲁棒性。当前,视觉目标跟踪算法中,粒子滤波跟踪能够有效地解决视觉目标跟踪中普遍存在目标状态非线性、噪声分布非高斯性的问题,并且能够同时跟踪视觉目标各种状态变化,而且对视觉平台运动状态不作要求,既适用于静止视觉平台,又适用于移动视觉平台,因而具有相对较强的鲁棒性,在视觉目标跟踪研究与应用领域均受到广泛关注。然而,随着对粒子滤波跟踪研究的深入,它所涉及到的粒子滤波算法、目标特征建模、模型相似性测量这三个方面都存在着亟待解决的问题,而且如同其它的视觉目标跟踪算法,粒子滤波跟踪缺乏一定的智能性,无法像人一样应对各种客观复杂环境变化和适时选择合理处置方案。因此,解决粒子滤波跟踪算法存在的关键问题,以及利用人类视觉的智能机制赋予粒子滤波跟踪一定的智能,对于进一步增强粒子滤波跟踪算法的鲁棒性具有十分重要的理论价值和现实意义。本文在分析总结已有工作的基础上,以提高视觉目标跟踪算法的鲁棒性为目标,以基于粒子滤波的视觉目标跟踪算法为主要研究内容,分析了影响粒子滤波跟踪鲁棒性的主要方面——粒子滤波算法、模型相似性测量和目标特征建模,并初步探讨了从模拟人类视觉系统的外部特性和生理特性的角度提高粒子滤波跟踪算法智能性的方法:提出了灰色粒子滤波跟踪算法,建立了过程噪声分布自适应调控模型,改进了Bhattacharyya模型匹配系数,提出了多特征统一融合的椭圆区域协方差描述子作为目标特征模型,建立了模拟人类视觉跟踪过程的视觉目标跟踪框架,给出了与之对应的视觉目标跟踪算法,同时提出了一种自顶向下的视觉注意机制的计算模型。主要的研究工作和贡献如下:(1)研究了粒子滤波算法的建议分布选取和粒子采样范围调节这两个影响粒子滤波跟踪性能的关键问题。对于建议分布选取问题,为使建议分布逼近目标状态的后验概率分布,立足于采取预测的方式解决该问题,首先分析了视觉目标运动状态的特点,提出了应用灰色系统理论建立目标状态的灰色预测模型,在目标预测状态附近产生粒子滤波的建议分布的方法,把该建议分布与粒子滤波跟踪算法相结合,称之为灰色粒子滤波跟踪,并在实验中把它与粒子滤波跟踪、卡尔曼粒子滤波跟踪以及无迹粒子滤波跟踪进行了定性和定量的比较,验证了灰色粒子滤波跟踪的有效性和优越性。同时通过实验分析了粒子数和灰色预测序列长度变化对其性能的影响。对于粒子采样范围调节问题,首先分析了粒子滤波的状态转移模型中过程噪声因子与粒子采样范围之间的关系,得出粒子集观测概率的峰值适合作为粒子采样范围的评价指标的结论,进而提出了以粒子集观测概率的峰值为自变量建立过程噪声分布因子的自适应调控模型,在实验中分析了该过程噪声分布自适应调控模型的有效性,并把它与固定的过程噪声分布以及根据预测误差自适应调节的过程噪声分布进行了对比,体现了本文提出的方法在存在部分遮挡和短时完全遮挡、目标形变等情况下的优越性。(2)研究了以直方图为目标特征模型的粒子滤波跟踪中常用的模型相似性测量准则Bhattacharyya(B氏)系数存在的问题。首先探讨了B氏系数对粒子滤波跟踪性能的影响,说明了B氏系数仅对目标收缩较为敏感而无法适应目标膨胀,以及产生该现象的原因,因而跟踪准确性难以保证。为此,提出了改进的B氏系数,从理论上阐明了改进的B氏系数具有单峰特性,因而既能适应目标收缩,又能适应目标膨胀。又进一步揭示了改进的B氏系数包含的两项组成部分各自的作用。通过实验检验了基于该改进的B氏系数的粒子滤波跟踪的性能,从实验角度验证了对该改进的B氏系数的理论分析结果的正确性。(3)研究了粒子滤波跟踪中的目标特征建模问题。由于融合多种特征的目标特征模型能够有效地提高粒子滤波跟踪的鲁棒性,因此,首先分析了当前多特征建模方法存在的缺陷,提出了椭圆区域协方差描述子。该描述子主要有三点优势。第一,该描述子能够把各种不同类型、不同种类的时-空特征融合到统一的模型中,既反映了各种特征的自相关性,又反映了各种特征之间的互相关性。第二,该描述子具有长轴、短轴、倾斜角三个参数,能够同时反映出目标尺度和角度变化。第三,该描述子的维数仅决定于特征的种数,而与各个特征的维数无关,因而计算复杂度不高,实时性得以保障。通过多组实验检验了基于该椭圆区域协方差描述子的粒子滤波跟踪对目标尺度和角度变化、目标快速运动、部分和完全遮挡、光强变化以及强噪声等复杂困难情况的鲁棒性。(4)以解决粒子滤波跟踪无法自动恢复对目标的跟踪这一问题为突破口,探索性研究提高粒子滤波跟踪算法智能性的方法。立足于模拟人类视觉跟踪的外部特性和生理特性,分析了人类视觉跟踪目标的方式,提出了与之对应的视觉目标跟踪框架。在该视觉目标跟踪框架下,结合粒子滤波和人类视觉系统的视觉注意机制,提出了与之对应的两种粒子滤波跟踪算法。第一种算法用视觉注意机制模拟人类视觉系统在全局范围搜索目标的过程,用粒子滤波跟踪模拟人类视觉系统在局部范围跟踪目标的过程,通过有机结合全局搜索和局部跟踪实现目标跟踪。第二种算法分析了粒子滤波算法原有建议分布的特点,把它称为局部建议分布,首创性地提出把视觉注意机制的视觉显著图定义为粒子滤波算法的全局建议分布,把粒子滤波的全局建议分布和局部建议分布相结合实现目标跟踪。在实验中把本文提出的跟踪算法与多种传统的粒子滤波跟踪算法进行了对比实验,检验了本文提出的跟踪算法的鲁棒性和优越性。另外,在利用视觉注意机制模拟人类视觉跟踪方式的同时,对视觉注意机制进行了研究,按照视觉注意的产生方式,提出了一种自顶向下的视觉注意机制的计算模型,建立了该机制的视觉显著图,在多尺度下分析了该视觉显著图的Shannon熵密度,提出了一种检测视觉注意力焦点转移区域的方法,并把该方法用到本文提出的第一种跟踪算法中。