随着计算机技术的飞速发展以及传感器性能的不断提升,视频目标跟踪技术在智能交通、安防监控系统等实际应用中的作用日益凸显,成为当前计算机视觉和人工智能领域的研究热点和难点。视频目标跟踪是根据目标表观特征的先验信息和目标运动模型,在图像序列中序贯推理估计目标的位置和范围。为了实现复杂环境下对目标长时间、稳定、精确和高效地跟踪,需要建立有效的自适应性强的模型,同时也要保证算法的实时性。为此,本论文以粒子滤波为理论基础,开展视频目标跟踪算法研究,为实现复杂环境下的视频目标跟踪提供理论和方法支撑。论文主要研究内容和取得的成果如下:1.针对粒子滤波的粒子匮乏问题,提出一种基于优化粒子的粒子滤波视频目标跟踪算法。该算法在粒子滤波框架上,通过利用粒子群优化算法,对重采样之前的粒子进行优化,保持权值较大的粒子不动,让权值较小的粒子不断向权值较大的粒子靠近,使大部分粒子都处于高似然区域,从而降低重采样过程中的粒子淘汰率,改善粒子匮乏问题。实验结果表明,基于优化粒子的粒子滤波视频目标跟踪算法可以提高粒子利用率,在多种复杂情况下可以用较少粒子实现对目标的实时、准确跟踪。2.针对粒子滤波中点粒子的空间覆盖能力与实际的量测模糊性不匹配的问题,提出一种基于粒子群的粒子滤波视频目标跟踪算法。该算法在粒子滤波的框架下,通过将点粒子拓展为粒子群,粒子群在状态空间中占据一个非零的区域,从而提高粒子的状态空间覆盖能力。实验结果表明,基于粒子群的粒子滤波视频目标跟踪算法可以提高采样效率,实现在不增加运行时间的情况下提高跟踪性能。3.针对粒子滤波实时性差的问题,研究了目前实时性较好的视频目标跟踪算法CSK算法,并针对CSK算法尺度自适应问题,提出一种尺度自适应的CSK视频目标跟踪算法。该算法通过在CSK算法的位置滤波器之后,设计一个以MOSSE相关滤波器为原型的尺度滤波器,该尺度滤波器输入不同尺度目标的特征,输出各自的响应值,通过最大响应值确定目标尺寸。实验结果表明,尺度自适应的CSK视频目标跟踪算法既可以实现对目标的实时准确跟踪,又可以给出目标轮廓大小。