车辆跟踪作为计算机视觉领域的一个研究热点,在无人驾驶、智能车以及辅助驾驶系统等方面都扮演着重要的角色。但是存在着跟踪成功率不高、定位不准确等问题,特别是在场景复杂的情况下此类问题表现得尤为突出。本文以粒子滤波算法作为跟踪框架,通过建立一种基于融合特征的外观模型来描述车辆目标,选择性地对粒子进行重采样,有效地提高了复杂环境条件下车辆跟踪的准确性。首先,介绍了本课题的研究背景和研究意义,结合国内外研究现状总结了车辆跟踪的技术难点。同时,详细介绍了粒子滤波理论。接着,结合粒子滤波理论建立了相应的状态空间模型。在转移模型方面,考虑到车辆行驶的速度变化问题,将距离当前最近若干帧的速度加权平均值作为当前时刻的行驶速度,利用近似的匀速运动模型作为状态转移模型,使得预测的结果更加准确、可靠;在观测模型方面,本文采用了感知特征和主成分分析方法提取的车辆特征,并将这两种特征进行融合处理以适应车辆跟踪问题。在粒子滤波的跟踪框架中利用融合特征模型进行相似性衡量,从而实现权值的更新过程。然后,为了避免粒子退化,有选择性地对粒子进行重采样。将车辆的运动过程近似视为平滑运动,采用预测方式产生小部分新的粒子,对余下部分粒子进行标准的重采样处理。最后,利用一系列具有挑战性的公开视频序列进行了实验验证,并且与其它几种跟踪方法进行了对比分析。另外,针对高速公路上行车记录仪拍摄的一段视频序列进行了进一步的验证。结果表明本文算法具有较好的鲁棒性,能够对前方车辆进行准确地跟踪。