无重叠视野多摄像机监控是视频监控技术的未来发展方向，它通过协调重点区域的离散监控结果，实现了在较低成本下对大范围区域进行监控。无重叠视野多摄像机监控的基础是无重叠视野多摄像机目标跟踪，即在离散摄像机视野下对目标进行连续跟踪。实现目标连续跟踪的关键是准确地检测并跟踪进入单摄像机视野的目标，并将不同视野下的相同目标关联起来。本文在整合课题组已有成果的基础上，围绕无重叠视野多摄像机目标跟踪中的若干关键技术展开系统性的研究。论文的主要内容及研究成果包括:　　(1)进行了运动目标检测算法的研究。目标检测算法由于应用环境的不同，对实时性与鲁棒性的要求不尽相同。针对实际应用的不同需求，研究了两种目标检测算法，分别强调了算法的实时性与鲁棒性。研究了一种基于分块连通域分析的实时目标检测算法，利用背景差分法检测前景，并对前景进行分块连通域分析以检测目标。算法利用分区域加权更新策略维持背景模型，从而使其对光照变化具有一定的鲁棒性。提出了一种鲁棒的分块RPCA目标检测算法，利用RPCA技术将输入帧分为低阶背景与稀疏前景，并对前景进行去噪、去阴影处理以提高目标检测的效果。试验表明，实时性目标检测算法可以在普通监控环境下完成目标检测任务，在恶劣监控环境下，需要利用鲁棒性目标检测算法完成目标检测任务。　　(2)进行了单视野目标跟踪算法的研究。单视野目标跟踪算法由于应用环境的不同，对实时性与鲁棒性的要求不尽相同。针对实际应用的不同需求，研究了两种单视野目标跟踪算法，分别强调了算法的实时性与鲁棒性。研究了一种基于相邻帧重叠面积分析的实时目标跟踪算法，通过关联每一帧的检测结果对目标进行跟踪。算法利用目标相邻帧的重叠面积代替中心距离作为判断目标是否关联的依据，可以处理目标自遮挡情况。提出了一种基于改进粒子滤波与稀疏表示的鲁棒目标跟踪算法，采用改进粒子滤波作为跟踪框架，利用分块稀疏表示构造目标的观测模型，从而实现在恶劣环境下对目标的鲁棒跟踪。试验表明，实时性目标跟踪算法可以在普通监控环境下完成目标跟踪任务，对于复杂监控环境，需要利用鲁棒性目标跟踪算法准确地跟踪目标。　　(3)进行了无重叠视野目标观测模型构建的研究。针对室内外环境中监控对象的区别，设计了两种观测模型。对于室内的行人目标，构造了一种基于分块主颜色特征与空间纹理特征的行人观测模型。其中，主颜色特征用来描述目标的宏观信息，空间纹理特征用来描述目标的细节信息。通过在主颜色匹配时引入标准化RGB距离，提高了主颜色特征对光照变化的鲁棒性。针对室外的车辆目标，构造了一种基于主颜色特征与SURF关键点特征的车辆观测模型。考虑到不同车辆在车灯、门窗以及前脸部分存在的差异要大于车身图案的差异，本文采用SURF关键点特征代替空间纹理特征来描述车辆的细节信息。试验表明，室内行人观测模型具有较强的区分能力，相比而言车辆观测模型的区分能力稍弱，但也具备一定的区分能力。　　(4)进行了摄像机网络拓扑结构自适应学习算法的研究。传统的监督式拓扑学习算法需要大量人为标记的数据，大大增加了系统开销。针对这个不足，提出了一种无监督式的拓扑结构自适应学习算法。通过混合高斯模型学习每个摄像机视野下的消失-出现节点，引入互关联函数判断不同视野下节点的连通性，引入交互信息表示不同视野下节点的转移概率。同时，提出“虚假连接”排除策略改善拓扑学习效果，采用拓扑参数自适应更新策略更新网络的拓扑结构。试验表明，通过一段时间的学习，本文提出的算法可以较好地得到摄像机网络的拓扑结构，而且算法对环境变化有一定鲁棒性。　　(5)进行了无重叠视野数据融合的研究。针对大范围监控网络内仅仅使用目标观测模型无法得到目标正确关联这个弊端，研究了无重叠视野数据融合算法，通过综合考虑目标观测模型与拓扑结构的时空约束，提高了目标关联的正确率。算法利用贝叶斯准则将目标关联问题表示成最大后验概率(MAP)问题，并分析了如何利用图论方法解决MAP问题。针对构造加权二部图时容易引入错误匹配的问题，提出了一种基于自适应阈值的修正加权二部图构造方法，并利用KM算法解二部图的最大权匹配。针对KM算法在处理大规模匹配问题时计算量过大的弊端，提出了一种基于MH采样的方法近似计算二部图的最大权匹配。试验表明，当匹配规模较小时，KM算法能够准确率较高的目标关联解;当匹配规模较大时，MH采样近似方法能够在较短时间内得到与KM算法的解接近的结果。　　本文的研究工作进一步深化了无重叠视野多摄像机目标跟踪技术的理论与方法，具有重要的理论意义与现实价值，对于后续相关方面的研究具有一定的指导、借鉴作用。