视频目标跟踪是计算机视觉领域的一个核心问题,在军事制导、视频监控、机器人视觉导航、医疗诊断、以及天气分析方面都有广泛的应用前景。视频目标跟踪的研究目的是模拟人类的视觉感知功能,赋予机器识别视频序列中运动目标的能力,为分析和理解视频内容提供重要的数据依据。尽管人们对视觉跟踪进行了较广泛的研究,并提出了许多有效的方法,但是针对复杂情况下的视觉跟踪,鲁棒性问题一直是跟踪算法的难点和热点。本文针对复杂环境下的跟踪问题,尤其是对目标跟踪中的运动模型、观测模型、目标间的相互遮挡、以及粒子滤波算法的重采样等问题进行了重点研究,并提出了相应的解决方法。本文的主要研究内容如下:1.分析了现有的跟踪算法,重点阐述了贝叶斯滤波理论的原理,包括粒子滤波算法和卡尔曼滤波算法,讨论了算法实现的框架,以及优缺点。2.为了解决室外复杂场景中的目标鲁棒跟踪问题,提出了一种基于颜色特征和贝叶斯估计的跟踪算法。用粒子滤波器对目标做初步跟踪,获得当前的观测值;利用当前的观测,通过卡尔曼滤波更新粒子集的状态均值和协方差;利用更新的状态均值和协方差产生并传播更优的高斯提议分布;从高斯提议分布中采样得到新的粒子集,执行粒子滤波,获得跟踪结果。在该算法中,还提出了遮挡等异常下的处理策略。3.为了获取更为精确的目标观测,提出了一种融合颜色特征和梯度直方图的贝叶斯估计跟踪算法,实现特征间信息的互补,提高跟踪的鲁棒性。4.为了克服粒子滤波中的粒子退化现象,讨论了一种基于遗传进化的GA-MCMC(Genetic Algorithm with Markov Chain Monte Carlomutation)重采样算法,在解决粒子退化的同时保持了粒子的多样性,提高了粒子对运动目标的描述能力。