视觉目标跟踪是计算机视觉领域的一个重要研究方向,在智能监控、人机交互、机器人导航和基于运动的行为识别等领域有着广泛的应用前景。因此,视觉目标跟踪是一个理论研究与实际应用密切结合的领域。本文主要研究基于自适应目标表观模型的视觉跟踪。首先对经典的和新近的研究工作进行了总结,然后提出了两种基于随机森林学习算法的视觉目标跟踪方法。它们将视觉跟踪看作目标与背景的二类分类问题,通过分类器的在线更新以适应目标表观的变化,达到在复杂环境下对目标的稳健跟踪。论文首先提出了基于随机森林的实时集成跟踪算法。它提取目标与邻域背景的像素级特征建立初始的随机森林分类器；在后续帧中,将上述分类器的输出作为置信图,采用Mean Shift算法对目标进行定位；在跟踪过程中对森林中每棵树的分类能力进行评价,用新训练的随机树替换原森林中分类能力显著下降的那些树。由于随机森林算法具有噪声不敏感特性,所以上述跟踪算法的稳健性明显优于基于AdaBoost的集成跟踪算法,并且有较好的实时性,为工程应用提供了一种可选方案。接着,本文提出了一种增量式随机森林算法,可应用于训练数据分批到来的场景。采用在线Bagging模拟Bootstrap过程,并给出了随机树在线生长的方法。在人工合成和实际数据集中对上述增量算法进行了测试,其分类正确率接近离线的随机森林算法,且优于在线Boosting算法。本文将上述增量随机森林作为鉴别型表观模型应用于视觉目标跟踪,在跟踪过程中提取新的正/负样本不断更新分类器。跟踪算法采用粒子滤波框架进行,分类器的输出作为每个粒子的权重,并通过计算粒子状态空间分布的不确定性(Spatial uncertainty)对多个特征进行在线融合。详细的对比实验表明上述跟踪算法在目标表观变化和复杂背景情况下具有较好的稳健性,性能不弱于几种经典的和最近提出的跟踪算法。最后,论文报道了基于集成跟踪的PTZ摄像机主动跟踪系统,给出了摄像机Pan/Tilt/Zoom的控制方法。通过目标检测、肤色验证和集成跟踪相结合的方式对人脸目标进行稳健的跟踪。