随着国家智慧城市和平安城市战略的推进,越来越多的摄像机被安装在学校、商场、车站、医院、社区等重要场所,但目前这些摄像机都只是单独的发挥监控作用,因此,如何让这些各自独立的摄像机组合在一起形成一个监控网络,实现多摄像机之间的目标协同跟踪是智能视觉监控领域中的一个热点课题。然而,无重叠视域的视觉监控系统往往存在一些监控盲区,造成了多摄像机之间目标协同跟踪的困难,如何消除摄像机之间的视觉差异和克服监控盲区的时空不确定性对目标跟踪的影响,成为本文重点关注的两个问题。为此,本文详细探讨了单摄像机内的目标检测和跟踪、摄像机间的目标再识别以及结合摄像机网络拓扑关系的目标关联,论文主要研究内容和创新之处如下：(1)面向单摄像机固定场景,提出了一种基于VIBE与HOG特征分类相结合的多运动目标检测算法和一种基于二次距离匹配的多目标跟踪算法。为了适应光照的变化,减少遮挡的影响,论文首先基于改进的VIBE算法获取目标的可能区域,然后基于HOG特征的SVM分类器对目标进行精确的分割,以实现多目标检测,再采用前向后向误差的思想对前景区域与目标进行双向最优匹配,对于没有匹配上的目标进行剔除或增加,以实现多目标跟踪。在大量标准和自拍的视频集上的测试结果表明,所提多目标检测算法具有较好的精确性,而多目标跟踪算法则具有较好的鲁棒性。(2)提出了一种基于多特征融合的单样本目标再识别算法和一种基于Jensen-Shannon (JS)核的多样本目标再识别算法。针对单样本情形,论文首先提取行人图像的颜色直方图特征和纹理特征,分别构建二分类模型,然后对不同的特征分配不同的核函数进行,用多核学习算法获得不同核函数的最优权重,并构建了基于巴氏系数的AP聚类预处理方法来选择典型的负样本,以解决训练中负样本远多于正样本而造成的样本失衡问题。对于多样本情形,论文首先验证了JS核对于不同的颜色直方图特征具有较好的适应性；其次经过LFDA算法对样本进行散度分析,寻找投影方向；最后采用JS核函数把样本映射到高维空间,使得同类样本尽可能地紧凑,而异类样本尽可能地松弛。通过在VIPeR、i_LIDS、ETHZ三个标准数据集和大量自拍数据集上的测试,验证了所提算法的有效性。(3)为了减少误匹配,提出了一种基于贝叶斯模型和离散粒子群优化的目标关联算法。论文首先对摄像机网络进行在线拓扑关系估计,然后采用贝叶斯模型对摄像机间的目标匹配结果与拓扑关系进行融合,基于构造的评价函数来选择最优路径,并引入离散粒子群优化来搜索最优路径集合以减少计算复杂度。在大型视觉监控系统中的仿真实验表明,所提算法具有较好的时效性,并能给出多个目标在一段时间内的最可能的运动轨迹。