计算机视觉领域的一个重要研究课题就是视频目标跟踪,其在智能交通、公共场所人流量统计、视频监控等领域都有广泛应用。视频目标跟踪的任务就是跟踪视频序列中感兴趣的目标,获得目标参数,为进一步处理分析奠定基础。粒子滤波算法适用于能用状态空间模型表示的任何非线性系统;由于现实环境中目标运动的非线性,越来越多的学者倾向于利用粒子滤波法跟踪目标。但是,由于现在大多数粒子滤波跟踪算法仅利用颜色特征计算粒子的权值,在目标与背景对比度低、目标被遮挡等复杂情况下容易导致逼近错误位置。为了提高在低对比度、相似目标干扰等复杂环境下跟踪算法的稳定性,提出多特征级联采样的粒子滤波跟踪算法。在目标被严重遮挡的情况下,很难保证跟踪的稳定性。针对此问题提出新的遮挡判断和处理策略:计算候选目标和模板之间的巴特查里亚距离,如果巴特查里亚距离大于一个给定的阈值,目标被严重遮挡,则根据目标的颜色特征将模板分割成若干子区域,对每个子区域利用均值向量平移迭代,选择巴特查里亚距离最小的子区域作为“可靠子区域”,根据“可靠子区域”推断被遮挡区域的颜色信息值,并根据拓扑关系进行位置修正。选择目标区域和背景区域差别性大的特征,作为下一时刻目标跟踪的特征。由于从一个摄像机获得的2-D信息的检测-跟踪法不需要其他摄像机或地平面校准并且能在摄像机运动的情况下跟踪目标,越来越受欢迎。利用2-D信息的检测-跟踪法的主要难题是数据关联的计算量大、高检测率和计算量大之间的矛盾。针对此问题,把跟踪结果的数据反馈到目标检测模块,为检测模块提供跟踪目标的位置、尺度信息;把检测响应强度反馈到粒子滤波目标跟踪模块,引导粒子采样,提高多目标跟踪的稳定性。多目标(人体)跟踪法包含三个模块:目标检测模块、跟踪模块、级联匹配数据关联模块,这三个模块相互协调、配合完成多目标跟踪任务。