视频中的目标跟踪是计算机视觉领域中富有挑战性的课题之一,在视觉导航、安全监控等领域有着广阔的应用前景。开发鲁棒的跟踪算法也具有重要的理论意义。考虑到实际环境中的复杂度以及目标本身状态的多样性,如何在各种不同的环境下,合理、快速地提取特征并准确地跟踪目标成为极富挑战的课题。其中,目标跟踪中的遮挡推断,由于其理论上的复杂性和对跟踪性能的决定性影响,成为目标跟踪领域研究的热点。目前的主流跟踪算法有Meanshift、卡尔曼滤波算法和基于后者发展起来的粒子滤波方法。然而,Meanshift算法虽具有实时性,但其收敛到局部极值的性质限制了其在遮挡状态下算法的鲁棒性。卡尔曼滤波虽然能够给出最优解但对系统状态要求线性而限制了其在实际跟踪中的应用。粒子滤波方法可以以一种递归的方式有效地估计出非线性非高斯动态系统的状态,并在复杂环境下表现出优于卡尔曼滤波的性能,从而在目标跟踪领域得到日益广泛的应用。本文主要针对目标跟踪中的遮挡推断问题进行研究,详细论述了遮挡问题的发生过程及其解决方案,包括遮挡发生的判定方法,经典的遮挡跟踪算法以及它们各自的优缺点。在上述理论研究基础上,提出了一种新的解决遮挡问题的算法,以粒子滤波算法为基本框架,将颜色直方图作为提取的目标特征,引入区域生长的思想,建立遮挡检测机制,包括遮挡判定、粒子重分布及粒子自适应的目标重捕获方法。在遮挡状态下,将粒子重新分布到遮挡物的边界而非传统的随机随机转移,在减少了计算量的同时,使跟踪器能在目标结束遮挡时立即恢复跟踪,避免了搜索范围未能包含目标或被背景信息干扰的情况出现,从而保证了算法的鲁棒性。实验结果证明,本文提出的跟踪方法能够很好地处理部分和严重的遮挡,有效解决在长时间目标被完全遮挡时大多数跟踪算法稳定性差的问题,一定程度上满足跟踪鲁棒性和实时性要求,从而达到优于传统跟踪方法的性能。本文的工作为目标跟踪中遮挡推断研究开辟了一条崭新的道路。