随着图像信号处理相关研究的不断深入,以视频处理为代表的多媒体处理系统的硬件升级和更新,高性能计算机的普及,计算机视觉领域得到迅速发展。基于计算机视觉的运动目标跟踪技术成为当前国内外的热门研究课题之一。当前目标跟踪的研究以跟踪过程的稳健为核心,本文以粒子滤波算法为基础,针对算法中存在的不足,提出改进策略和方法。主要包括以下几个方面:其一,研究目标检测的理论,根据场景的不同,详细阐述基于动态背景和静态背景的目标检测方法,从而为后文的优化特征提取作理论基础。以粒子滤波理论为基础,建立有效的观测模型。本文针对单一目标特征抗干扰能力差的缺点,提出以颜色特征,纹理特征,以及运动边缘特征进行自适应融合,实现彼此特征间的优势互补。其中纹理特征的提取采用的是二值模式的纹理提取算子,其具有光照不变性、抗噪声性和保护纹理边缘等特点。其二,在建立状态转移模型时,将系统噪声的因素加入其中。根据不同特征的巴氏相似度对噪声进行加权修正,此外对于不同的特征权值采用特有的自适应更新策略,以单特征时粒子加权和目标上一状态的最终粒子加权结果差的绝对值来决定当前单特征的可信度。其三,粒子滤波的重采样环节,提出了三分重采样策略。将所有粒子以权值大小排序后,剔除权值小的粒子,等分为三份,将大权值和小权值的两部分聚集,然后进行重采样,一方面减少了重采样的粒子数,另一方面避免粒子被重复复制,最大程度上保留了粒子多样性,同时为了降低算法的计算量。应对遮挡等复杂外界环境时提出动态粒子数调整策略,一方面在粒子权值排序后剔除权值小的粒子,另一方面在外界因素干扰剧烈时动态增加粒子数量,一定程度保证了粒子的多样性,增强算法的鲁棒性,提高了算法的性能,使跟踪更加稳健。