运动目标跟踪是计算机视觉领域中的研究热点之一,在人机交互、智能监控、视频编码等领域具有重要的应用意义。在跟踪过程中,目标特征的提取与匹配是关键技术,且需要具有一定的鲁棒性能,才能为跟踪的后续处理打下良好的基础。传统的一些目标跟踪方法能较为准确的定位目标所在的区域,但在跟踪非刚性目标时,由于目标在运动过程中会发生不同程度的形变,使用区域信息难以实现对目标特征的精确提取。基于可变形模型的方法能适应非刚性目标的形状变化,在图像中准确的提取目标轮廓,应用于跟踪时具有较好的精确性。其中具有代表性的是主动形状模型方法(Active Shape Models, ASM), ASM方法能在适应目标形状较多变化的同时保持目标的特异性,具有良好的鲁棒性,可在较为复杂的环境中提取目标轮廓。本文研究了ASM方法在静态目标轮廓提取方面的应用,并提出了一种将ASM应用于运动目标跟踪的方法,主要工作如下:1)改进了ASM方法中的灰度模型。传统ASM方法中的灰度模型包含了部分背景的灰度信息,这使得当目标运动时,模型不能很好的适应目标附近背景的变化,从而导致匹配结果错误。针对这个问题,本文改进了传统方法的灰度模型和搜索算法,剔除了对背景信息的建模,结合目标内部灰度信息和强边缘特征搜索标志点的最佳匹配位置,提高了运动过程中轮廓提取的速度和精确性。2)提出了一种在线提取和更新灰度模型的建模机制。在运动目标跟踪的应用中,图像中目标的灰度信息难以事先获得,而传统ASM方法匹配效果的可靠性依赖于先验的灰度模型,这限制了其在运动目标跟踪中的应用。本文提出了一种在线建立和更新灰度模型的机制,摆脱了对目标先验信息的依赖。3)引入Kalman滤波预测目标位置,提高了在图像序列中ASM方法的模型初始定位精度,进而改善了目标轮廓提取的精度和速度。4)设计了一种基于改进ASM与Kalman滤波预测相结合跟踪运动目标的跟踪流程。使用此跟踪流程对人体目标进行了轮廓跟踪,实验结果验证了本文方法的有效性、对目标尺度变化的适应性,以及对比传统ASM方法在实时性和精确性方面的提升。