随着科技的高速发展,人们希望计算机越来越智能,可以模仿人类的各种能力,其中计算机视觉学科就致力于使计算机具有和人类相同的视觉能力。而计算机处理能力的提升以及各类视频图像获取设备的不断更新,使计算机视觉技术有了更广阔的发展空间。目标追踪作为计算机视觉学科中最重要的分支之一,广泛应用于各种领域,例如视频监控,人机交互,医学图像处理,智能交通,基于视觉控制等。目标追踪的过程可以这样形容:给定视频某帧图片中指定对象的初始状态(该状态包括位置和大小等),追踪的目的是分析评价在接下来一帧图像中该目标对象的状态。目标跟踪可定义为已知目标的先验模板信息,在视频序列中连续获取目标运动状态信息(如位置、速度、尺寸等)的过程。因此每一帧视频图片中的目标追踪能建模为一个寻优的问题。群智能优化算法,在过去的数十年中得到了长足的发展。其中以粒子群算法(PSO),差分进化算法(DE)和人工蜂群算法(ABC)为代表的优化算法以其结构简单,参数少,寻优能力强等优点,已经被广泛应用于多个领域且取得优秀的优化结果。本文主要工作在于将群智能优化算法应用于目标追踪中,以取得令人满意的追踪效果,主要工作如下:(1)本文开始先对传统群智能优化算法进行原理的介绍,总结每个算法的优势和不足。同时详细介绍运动序列的目标追踪问题,以及一种优秀的优化建模——结构相似性指数(SSIM),该模型将作为优化算法的适应度函数。根据模型的特点,选择合适的群智能优化算法进行进一步改进。(2)提出一套基于DE算法的目标追踪框架。针对DE收敛速度快,全局搜索能力强的特点,修改迭代公式和初始化方法使其更符合目标追踪问题的要求。提出一种新的更新机制,可以有效补偿追踪过程中产生的误差。通过和其他传统算法的对比,证明该框架可以取得令人满意的追踪效果。(3)针对ABC算法全局搜索能力强,收敛速度慢的特点,对原有迭代公式进行修改,以加快算法的收敛速度和增强局部搜索能力,对侦查蜂部分提出一种全新的机制,该机制增强了原有侦查蜂的全局搜索能力,使整体算法在提升收敛速度的同时,原有的全局搜索能力强的特点也得到保留并提高。最后将改进的算法和目标追踪问题结合,获得满意的效果。本文主要基于智能优化算法来解决运动序列的目标追踪问题,实验证明,群智能优化算法在目标追踪问题中的应用是可行的,效果是令人满意的。