视频目标跟踪又称为可视跟踪(Visual Tracking),即在视频序列中对感兴趣的目标进行有效跟踪的技术。如何实现稳健的视频目标跟踪一直都是计算机视觉领域中的一个典型问题。在摄像机观测平台与运动目标之间的相对距离存在变化的条件下,场景和目标区域都具有动态性,为了有效实现图像目标的跟踪,必须充分考虑目标区域因成像传感器与目标之间的相对距离变化而引起的目标尺度变化特性。本文主要工作是基于核的视频目标跟踪算法实现变尺度目标的稳健性跟踪。视频目标跟踪的对象是面状成像目标,因此除了能够准确估计目标位置外,还应该具备估计目标尺度的功能。另外,为了实现准确的目标定位,跟踪算法也必需在正确的尺度范围内提取目标特征,才能有效实现特征匹配。因此目标尺度估计问题是视频跟踪算法是否具有稳健性的一个基本问题。而传统的基于核的视频跟踪算法由于缺乏有效更新跟踪窗口尺度的机制,使得其跟踪结果不全面,同时其稳健性也得不到保证。本文针对基于核的视频跟踪算法难以实现目标尺度估计的问题,提出了五种跟踪算法:基于尺度不变特征与核直方图的多特征融合跟踪算法、基于核及空间变分辨率模型的跟踪算法、基于核及目标模型自适应的跟踪算法、基于核与自适应分布图像推理机制的跟踪算法和基于双模型滤波与mean shift的跟踪算法。本文的主要研究成果如下:1.为增强跟踪算法区分目标的能力,本章提出了基于核及尺度不变特征的多特征融合跟踪算法。将尺度不变特征和基于核的颜色分布特征统一用作目标的跟踪特征。该算法能够在目标附近存在相似表观及目标尺度变化的情况下,取得较为稳健的跟踪结果。2.提出一种新的基于空间变分辨率模型的目标跟踪算法。该算法通过Log-polar变换,建立目标的空间变分辨率模型,来解决跟踪期间目标的尺度和旋转量估计问题。算法除了用mean shift实现目标位置估计以外,还可以实现在mean shift自身框架内,估计目标的尺度参数与旋转量参数。3.基于核及目标模型自适应的视频目标跟踪算法。该算法将CAMSHIFT跟踪算法与meanshift跟踪算法结合起来,利用CAMSHIFT算法得到的跟踪窗口尺度参数来辅助mean shift跟踪。具体来说,就是基于核的目标跟踪,在均值漂移跟踪自身框架内,结合目标跟踪区域的自适应分布和相对稳定的目标模型,对候选模型经过直方图后向映射,用跟踪区域分布图像的零阶矩来估计跟踪窗口的尺度。最后在更新阶段,根据目标模型和候选模型的相似度,同时实现目标模型的自适应更新和跟踪窗口尺度的自适应更新。4.在基于核及目标模型自适应的跟踪算法基础上,根据目标连续自适应分布建立目标概率分布图像,通过分析该图像灰度统计值的变化情况,检验跟踪模板的变化情况。在进一步计算目标模型与候选模型相似性的基础上,对目标模型进行更新。在该方法中,目标模型及跟踪窗口尺度更新的过程被建模为基于投票(Voting)机制的推理过程,充分利用了视频目标运动模型的空间时间约束特性,可以取得更加稳健的跟踪性能。5.在多模滤波理论的框架下,提出了一种基于核及双模型概率切换的跟踪算法。该算法利用两个滤波器的预测作为mean shift跟踪算法的起始运行位置,分别运行两个mean shift迭代过程,并通过特征相似度选取正确的mean shift跟踪迭代结果作为多模滤波器的观测值,提高了观测信息的鲁棒性;在跟踪期间,结合根据多个目标运动模型的概率可信度,实现多模型之间的适时切换,使跟踪窗口能始终锁定目标。上述五种跟踪算法统一建立在基于核的视觉跟踪方法基础上,针对目标的变尺度特性,主要使用了空间变分辨率模型、SIFT特征匹配、目标模型自适应机制、推理式模板更新和多模滤波方法五种技术,极大增强了传统基于核的视觉跟踪方法的性能,有效实现了变尺度目标的稳健跟踪。