视频目标跟踪是计算机视觉领域待解决的核心问题之一,它是一系列后续工作任务的基础。尽管视频目标跟踪已经经过了数十年的研究,且已经开发出许多高效的跟踪算法,但这些算法的应用面仍然较为狭窄,不能作为一般意义下的跟踪,原因在于实际应用中,目标跟踪过程往往会受到很多因素的影响,甚至被多种因素同时干扰,如光照变化、快速运动、运动模糊、面内外旋转以及遮挡等,因此开发一个适用于任何情况下的高效鲁棒的算法非常困难。本文主要针对结合上下文信息类型的跟踪算法进行了深入研究。2014年由张开华等人[27]提出的时空上下文目标跟踪(Spatio-temporal Context,简称为STC)算法,是一种基于生成法模型,将跟踪、学习、检测融为一体的跟踪算法。在该算法中,张等人通过在生成模型中加入背景信息作为空间位置考量,并且使用FFT加速,实现了实时、鲁棒且高效的跟踪效果。该算法最大的特点是速度很快,鲁棒性较高,在一般场景下的跟踪可以达到非常好的效果。但其同时也存在一些缺点:(1)抗强干扰能力弱---如果在跟踪过程中目标对象受到了强干扰极有可能导致跟踪漂移和失败;(2)极端情况下丢失目标后无法寻回---由于STC算法属于局部候选搜索,当目标重新出现的位置超出了局部上下文搜索区域时,无法正常寻回;(3)易发生模型漂移---由于算法不能实现百分之百的跟踪正确率,尤其是在受到强干扰时,此外还存在着潜在的采样误差,并且STC算法完全基于Markov时间平滑假设,对于每一帧的结果都不加选择的学习,势必会引入一定程度的误差,随着模板持续更新,误差逐渐被积累,最终会导致模型彻底失败。本文针对STC算法存在的抗强干扰能力弱、跟踪丢失以后无寻回能力以及易发生模型漂移等问题,进行了一系列有针对性的研究。论文的研究内容及取得成果如下:(1)提出了一种结合粒子滤波(PF)的时空上下文跟踪算法。新方法在分析原STC算法的基础上,增加了强干扰检测以及后备粒子滤波。当检测到目标跟踪过程中遇到强干扰时,可及时启用粒子滤波对STC的预估计结果进行修正,有效避免了目标跟踪漂移,增强了跟踪鲁棒性。(2)提出了一种基于自适应结构模型的时空上下文跟踪算法。新方法提出了一个新的适用于在线跟踪类型算法的自适应结构模型,该模型通过保存一定数量的历史快照模板,当新的一帧到来时,同时使用快照模板和常规模板进行跟踪,当检测到历史快照模板的适应性高于常规模板时,立即对常规模板进行替换回滚,有效抑制了误差积累,增强了跟踪鲁棒性。(3)最后分别对上述两种改进算法进行了实验并分析其改进效果。通过在Tracker Benchmark v1.0[1]基准测试视频集上与原STC算法[27]的对比实验表明,两种改进算法的平均正确率由原来的37.88%分别提高到了46.39%和42.02%,中心坐标误差则从原来的85.53分别降低到了49.61和62.78,平均帧速相对STC略有下降,但仍然满足实时跟踪的要求,表明本文的两种改进算法有效增强了STC算法的跟踪鲁棒性。