精准性、实时性、鲁棒性是视频跟踪的基本要求,本文主要对基于粒子滤波框架下的视频跟踪技术进行了探讨和分析,并就如何提高跟踪算法的精准性和鲁棒性重点进行了研究,其主要研究内容和取得的创新性成果具体如下:首先,为了在粒子的初始化过程中缩小初始化范围及更加精准的实现对运动目标位置的预测和定位,提出了通过背景更新对运动目标区域进行检测的方法,并对传统Surendra背景更新算法进行了改进,主要做了两方面的改进,一是用三帧差分的结果判定前景和背景,二是实现了迭代速度系数自适应取值。实验表明,改进后的背景更新算法所得到的背景模型相比传统算法要更加准确和清晰,而且能够很好的适应各种较为复杂的场景。其次,对传统粒子滤波算法进行了改进,提出了一种基于预测的粒子滤波视频跟踪算法,即PrePF(Video Tracking Algorithm Of Particle Filter Based On Prediction),通过背景更新检测到当前视频图像中的所有运动目标,将其位置作为先验量测值,同时根据运动轨迹曲线拟合预测当前跟踪目标的位置。然后通过量测值和预测位置间的距离来判定真实跟踪目标位置所在,以此为依据将大部分粒子分布在真实目标附近,实验结果表明,本文的改进算法极大的提高了跟踪的精准性。同时,针对传统粒子滤波算法中固定的跟踪窗难以应对目标尺度发生明显变化的问题,对跟踪窗的长宽变量进行了单独定义,实现了跟踪窗的自适应大小变化,实验结果表明,本文改进算法能够确保所建立的目标模型更加准确。另外,对粒子的分布方式进行了改进,提出了一种结合高斯分布和均匀分布的粒子综合分布模型,实验结果表明,本文的改进算法可以在目标遮挡等复杂情况下仍然能实现有效跟踪。最后,在算法实现过程中,采用了颜色特征和SIFT(Scale-invariant feature transform)特征两种特征建立目标模板。并对SIFT特征点匹配算法进行了改进,提出了一种基于坐标约束的特征点匹配算法,有效的提高了SIFT特征点的匹配速度。经过实验验证与分析,将传统粒子滤波跟踪算法和本文算法在不同视频文件中进行对比测试。第一,在跟踪精准度方面,本文算法明显有所提高,而且在粒子数只有70的情况下完全可以取得比较好的跟踪效果。第二,在抗遮挡性方面,本文算法由于采用高斯分布和均匀分布相结合的方式,当目标再次出现时能能够迅速的定位到目标。第三,在目标尺度变化方面,由于实现了跟踪窗口自适应大小变化,确保了能够更加准确地对目标进行描述。总体来说,实验结果比较好的达到了预期效果。