随着智能视频分析需求的飞速增长,多目标跟踪在交通监控、流量统计等计算机视觉领域发挥着越来越重要的作用。多目标跟踪旨在视频序列中定位具有显著特征的目标,并且给每个目标赋予唯一的标号以估计它们的轨迹。但是跟踪背景的复杂性、目标因自身运动产生的形变、目标外观特征间的相似程度、目标的遮挡等都给多目标跟踪带来很大的困难。近年来,由于目标检测算法的显著提高逐渐发展出了基于数据关联的多目标跟踪算法,把跟踪算法和检测算法结合在一起,将检测结果关联到跟踪过程进而形成轨迹,很大程度上可以解决目标在跟踪过程中发生的形变和部分遮挡等问题,但仍然不能处理具有相似外观特征或被严重遮挡的目标。本课题对数据关联算法、目标特征表达和遮挡处理算法进行了深入研究,提出了一种新型的多目标跟踪系统框架,提高了多目标跟踪的准确度,主要研究内容包括:1.简单概述了多目标检测算法,选用可变部件模型实现目标的检测,可以为跟踪系统提供准确度更高的输入。2.总结比较了几种常见的数据关联算法,其中网络流模型综合性能较好,适用于较复杂的跟踪场景,是本课题研究的重点。3.研究了网络流跟踪模型中的最小费用流算法,经比较发现动态规划算法的复杂度更低,可实现耗时更短的数据关联。4.研究了目标的特征表达方法,提出了基于全局特征与局部特征相结合的特征方法,有效地解决了跟踪中目标容易发生身份切换、误警等问题。5.对遮挡的处理方法进行了深入研究,提出了Extended Kalman Filter-Explicit Occlusion Model(EKF-EOM,基于扩展卡尔曼滤波的显式遮挡模型)方法,较好地处理了跟踪轨迹中断和目标易丢失的现象。本文的创新点体现在:(1)在网络流模型中提出全局特征与局部特征相结合的目标表征方法,便于分辨外观相似的目标;(2)提出一种改进的遮挡处理模型,通过建立基于扩展卡尔曼滤波的显式目标假设来估计因遮挡而丢失的目标信息。