视觉目标跟踪是计算机视觉领域内的一项重要任务,它旨在持续变化的动态场景中确定目标对象的位置。目标跟踪技术具有重要的研究价值和实用价值,广泛应用于机器人、医疗诊断、视频监控、军用导航以及智能交通等领域,涉及数字图像处理、模式识别、机器学习和人工智能等多个学科。近年来,随着计算机视觉应用的普及,对目标跟踪技术的研究不断深入,取得了一定的成果。目标的外观变化受光照、姿态、遮挡、相机移动等诸多因素的影响,使得当前的目标跟踪算法在准确、鲁棒性方面依然面临巨大挑战。偏最小二乘(partial least squares,PLS)方法产生的低维特征能够有效地描述目标的外观变化,同时结合了样本的类别特征,常用于目标外观模型的建立。但此类跟踪算法忽略了不同维特征间的差别,以及外观模型与目标的关联程度,在目标外观发生复杂的变化时,难以准确分析目标与样本的误差而降低跟踪精度。在本文中,对现阶段目标跟踪算法存在的上述问题进行了针对性的研究分析,提出一种多外观模型自适应加权(Adaptive Weighted method based on Multi-Appearance models,AWMA)的目标跟踪算法,融合多个外观模型进行目标与样本误差分析。具体如下:(1)本文提出了一种在单个外观模型中的特征加权方法,针对外观模型中不同维特征的重要程度,自适应地计算外观模型中各个特征所占比重。该方法能够突出样本在不同维特征上的表现,更准确地描述样本与外观模型的差异;(2)本文提出了一种多个外观模型的加权方法,根据不同外观模型与目标的关联程度,自适应地分配每个外观模型的权重。该方法融合了多个外观模型计算目标和样本的差异性,能够降低跟踪结果受单个外观模型的影响;(3)本文的外观模型更新策略采用静态与动态相结合的方式,保留初始目标的外观模型不变,根据后续帧的跟踪结果更新外观模型,使目标跟踪更适应真实场景的变化。本文与现有的几种目标跟踪算法进行了对比,通过对多个场景视频数据集的实验分析,验证了本文提出算法的鲁棒性与有效性。