随着科技的飞速发展以及人们生活水平的提高,安全防范意识逐渐深入人心。在安全防范领域中,视频监控发挥着举足轻重的作用。近十几年来,视频监控网络逐渐分布到公共场合的各个角落,也开始走进千家万户。目前,广泛应用的视频监控系统大都是半人工式的,这类系统自动化程度低,无法预警,还需要耗费大量的人力、物力资源。智能视频监控系统势必成为未来的发展趋势。多目标跟踪技术是计算机视觉中的一个研究热点问题,也是智能视频监控中最为关键的技术之一,它为人们提供视频中的感兴趣目标的位置以及运动轨迹等信息,是进行后续的目标识别、目标行为分析与理解的前提。随着目标检测技术性能的大幅度提升,基于检测的多目标跟踪逐渐成为研究趋势,并取得了一定的研究成果。但是由于视频监控背景较为复杂以及频繁遮挡等因素,还存在着一些难点问题未解决。本文主要针对其中漏检和遮挡的问题展开了研究,主要的研究内容和创新点如下:1.提出了基于快速位置预测的分层数据关联算法。基于检测的在线多目标跟踪算法本质是帧帧数据关联,这种方法对检测响应的要求很高,特别是漏检对跟踪性能影响很大。本文在研究了传统的在线跟踪算法的基础上,为每一个目标分别建立了独立的核相关滤波预测器,并将预测器与检测响应分层关联,共同确定目标在每一帧中的状态。同时为了克服核相关滤波固定尺度的缺陷,利用匹配上的检测响应信息自适应地更新预测器模板,从而获得了稳定高效的自适应尺度预测器。实验结果表明本文提出的算法在一定程度上能克服漏检造成的跟踪性能下降。2.提出了带约束力的粒子群优化遮挡处理算法。遮挡一直是多目标跟踪中的难点问题。由于目标运动状态具有随机性,所以在目标被遮挡失去信息后,很难对目标状态进行精确的计算,经常会出现跟踪漂移。但是,如果遮挡目标一直没有出现,我们可以认为它是存在于遮挡区域的。因此,本文采用基于遮挡区域的先验信息去估计被遮挡目标的状态的策略。在采用粒子群优化算法搜寻被遮挡目标的最佳位置的基础上,提出了一个约束力变量,并将它结合到了粒子群优化算法的迭代计算中,从而将粒子群约束在遮挡区域附近,不会出现远距离的漂移。实现结果表明该算法在一定程度上可以克服遮挡中的跟踪漂移。