目标跟踪是指在一段视频序列的每幅图像帧中找出特定的感兴趣运动目标的所在位置区域的技术。该项技术是计算机视觉领域中的一项重要研究课题,在视频监控等许多基于视觉的智能应用有着不可或缺的作用。目标跟踪的关键任务就是依据给定的初始目标区域建立目标模型,而后依据该目标模型,在新到来的图像帧的复杂背景环境中分离出特定的前景目标,最后用该图像帧的跟踪结果来更新所建立的目标模型,为下一图像帧的跟踪任务做准备。因此基于准确的目标区域提取样本数据从而建立具有辨识性的目标模型对建立鲁棒的跟踪器是至关重要的因素。然而目前提出的跟踪算法大多使用矩形或椭圆等简单几何图形来表示跟踪结果。对于现实应用中的复杂物体来说,这样粗略的表示会不可避免的引入大量背景像素,使得这些背景像素参与目标模型的建立与更新,从而弱化目标模型的辨识性并最终导致跟踪任务失败。此外,跟踪结果中不精确的目标表示也会限制其在上层应用中的有效性,例如基于形状的人体动作识别,事件检测等都会对跟踪结果的精度有较高要求。为了解决这些难点问题,本论文致力于运用先验导向主动轮廓的目标跟踪技术的研究。主动轮廓模型是一种基于能量函数的分割方法,其基本思想是通过一个能量函数来驱使一条定义在图像区域中的曲线,并使其从初始位置向着期望的区域边界演化。本论文重点研究如何利用目标跟踪领域中的目标先验知识指导图像分割领域中的主动轮廓演化,从而得到能够精确拟合目标边界的目标轮廓跟踪技术。具体的,根据不同的跟踪环境以及所提供的不同种类的目标先验知识,本文的研究内容分为以下四个方面:本文首先提出了一种基于水平集的均值漂移跟踪方法,以实现对目标物体的轮廓跟踪技术。该算法在均值漂移的采样框架中引入二值水平集主动轮廓模型,在每个样本上进行曲线演化并用演化后的曲线能量为样本赋权值,从而达到对目标进行轮廓跟踪的目的。该方法与先前的跟踪方法相比,创新点在于:第一,相比于以往的均值漂移算法采用矩形或椭圆表示被跟踪目标,该方法引入主动轮廓模型实现了对目标的轮廓跟踪技术,提高了跟踪目标表达的精确度,减少了跟踪中的漂移现象。第二,相比于使用传统水平集的方法,本方法采用二值水平集模型,即用二值水平集函数来替代传统水平集模型中的符号距离函数,从而避免了水平集函数的重新初始化步骤,大大的提高了运行效率。实验结果表明,该方法在对具有复杂形状目标的跟踪上,能够获得更加准确的目标区域,并提高了跟踪器的鲁棒性。尽管上一个提出的方法引入了水平集主动轮廓模型实现了对目标的轮廓跟踪,但该算法仅依赖于水平集模型的原始分割特性,而未考虑跟踪上下文中的目标先验知识,这使得它更适用于在特征值单一的背景环境下分割出特征值单一的前景物体。然而现实的跟踪环境与跟踪物体往往是具有多种特征值分布的,而水平集模型的原始分割机制不能鲁棒的胜任这些复杂情况。基于此,本论文提出一种基于有监督水平集模型的目标轮廓跟踪方法。该方法考虑跟踪的上下文环境,使用在线Boosting方式学习要跟踪目标的特定知识并规范水平集模型的曲线演化,使得曲线更精确地收敛到特定目标。最后,精确的目标跟踪结果不仅为boosting算法提供准确的样本数据,也为下一时刻的跟踪任务提供了准确的目标信息。实验结果表明,该方法在复杂场景中具有有效性。针对传统的均值漂移等核跟踪器都采用矩形或椭圆等简单形状核函数的问题,本文提出一种自适应数据导向核函数的目标轮廓跟踪方法。由于理想的核函数应该具有和被跟踪物体相同的形状。因此,目前采用固定形状核函数的跟踪器都面临着如何选择核函数窗口的最优尺度和方向使得最大程度的逼近目标形状的问题。该方法在均值漂移方法中的样本空间中引入上述有监督水平集模型的思想,使得水平集曲线在样本空间中区分两种样本的同时得到拟合目标形状的核函数。因此,该方法所提出的数据驱动核函数具拟合目标形状并适应目标变化的能力,从而给出更准确的估计偏好。实验结果表明,该方法性能优于其他采用固定形状核函数的跟踪器。针对实际生活中的目标可能不具有稳定的、易被提取的区域特征,而具有相对稳定的形状特征的情况,本论文提出一种基于形状先验迭代图切割模型的轮廓跟踪方法,该方法能够充分挖掘目标的特定形状先验以准确估计目标轮廓。该方法在图切割模型框架中同时考虑轮廓线与目标形状先验的全局形状一致性及局部边缘一致性,来进行具有形状偏好的轮廓演化过程。通过迭代的执行该优化过程,该方法可以完成对最优轮廓线以及目标形状的同时估计,并最终使曲线收敛到使二者一致性最大化的结果。最后,该方法以基于区域特征具有各种轮廓分割困难的、具有椭圆形状先验的物体为例来评估提出方法。实验结果表明,该方法在对具有特定形状的目标轮廓跟踪的处理上,具有更优的性能。综合以上,该论文提高了具有复杂形状的目标表达精度,实现了主动轮廓在特定感兴趣跟踪目标上的定向收敛,并得到具有拟合目标形状且适应目标变化能力的核跟踪器,以及能够充分挖掘目标特定形状先验以准确估计目标轮廓的跟踪器,使得复杂表观的目标轮廓跟踪问题得以精确、高效地解决。