视频目标跟踪是计算机视觉领域的研究重点和热点之一,它融合了图像处理、人工智能、自动控制以及模式识别等众多领域的先进技术,在人机交互、智能视频监控、机器人视觉导航、医疗诊断领域都有着广泛的应用。尽管近年了人们提出了许多视频目标跟踪方法,但是目标自身特征的多样性、目标自身外观与环境的变化、目标之间的相互遮挡使得设计一种鲁棒的、稳定的目标跟踪方法仍是一项具有挑战性的工作。视频目标跟踪按照跟踪目标的个数可分为单目标跟踪和多目标跟踪,按照目标是否自动初始化可分为全自动跟踪和半自动跟踪。本文对固定背景下半自动单目标跟踪和以行人为主要研究对象的全自动多目标跟踪问题进行了研究。主要的工作和研究成果如下:1.在线boosting算法将目标跟踪问题看作二值分类问题,由于其在线学习的功能,对外观的变化有很好的自适应性。但当目标被严重遮挡或者完全遮挡时,采用在线boosting算法会导致错误累计而使跟踪失败。针对在线boosting算法的不足,提出一种基于粒子滤波框架的在线boosting目标跟踪算法,以粒子所在区域的置信度作为粒子的权重,解决了目标发生严重遮挡时的目标跟踪问题。2.将基于统计学习的目标检测与基于运动的目标检测两类算法结合,提出了一种Vibe-Hog的运动行人检测算法。首先,使用Vibe算法提取出运动区域,并采用形态学滤波和邻近区域合并策略去除噪声的影响。然后,在提取出的运动区域内使用(Hog+SVM)行人检测分类器,进一步提取行人目标。本文算法减少了冗余检测区域,提高了行人检测速度。3.提出一种基于检测和Kalman-Meanshift多目标跟踪算法,在Kalman-Meanshift跟踪框架下,采用在线特征选择的方式选择与背景差别最大的两种特征描述目标。将检测结果与跟踪结果进行数据关联,融合相匹配的检测值和跟踪值,提高复杂环境下目标跟踪能力。