随着微电子计算机技术的迅猛发展和人们安全意识的日益增长,智能视频监控得到越来越多的重视和进展,有着广阔的应用前景。视觉跟踪是智能视频监控的研究热点和核心技术之一。基于随机概率模型的目标跟踪对非线性问题的处理能力和对背景干扰的鲁棒性等方面相对于其他确定性算法有着明显的优势,是视觉跟踪的一种重要理论和方法。本文针对随机概率模型中的系统动态模型对快速随机运动目标的跟踪鲁棒性和观测模型中强干扰背景下的有效观测以及应用中的关键问题,进行了深入的理论和实验研究。论文的主要内容如下：第一章,详细地阐述了本课题的研究背景、目的和意义,综述视觉跟踪理论和随机概率模型视觉目标跟踪在国内外的研究应用现状和发展趋势,最后针对随机概率模型视觉目标跟踪方法存在的主要问题和挑战,给出了本课题的主要研究内容和研究思路。第二章,对随机概率模型视觉目标跟踪的基础理论进行了研究,并深入地分析了随机概率模型视觉目标跟踪中随机动态传播模型和目标似然概率模型对跟踪效果的影响。第三章,在随机概率模型目标跟踪理论的基础上,对目标快速运动情况下的问题进行了深入的研究。针对复杂动态系统下快速运动目标的跟踪问题,提出了基于运动参数估计和副粒子漂移的运动自适应粒子滤波算法和基于粒子分布临界估计和状态转移的运动自适应粒子滤波算法。通过和CAM-Shift算法、标准粒子滤波算法(PF),速度自适应粒子滤波算法(VAPF)和记忆粒子滤波算法(MPF)算法的实验对比,对算法的有效性和鲁棒性进行了验证。第四章,研究了轮廓目标的随机概率模型和多目标情况下的概率排他性原则的概率模型。针对复杂场景下的轮廓跟踪鲁棒性问题,提出了基于内侧轮廓模型的多特征融合粒子滤波轮廓跟踪算法。该算法将轮廓特征、局部颜色特征和全局颜色特征自然地融合在一起,构建出一个新的内侧轮廓模型似然函数,在粒子滤波的框架下,实现了复杂动态背景下的轮廓跟踪。同时,本章还将内侧轮廓模型和概率排他性原则相结合,提出了一种基于内侧轮廓模型的多轮廓目标跟踪算法,实现了在复杂场景下,多轮廓目标遮挡情况下的鲁棒跟踪。实验结果表明,所提出的轮廓跟踪算法能在复杂且具有众多类似目标干扰的情况下实现有效的稳定跟踪。第五章,针对人机交互中手势识别和跟踪的准确性和实时性问题,采用Monte Carlo随机采样来拟合三次Bezier曲线,实现对手部轮廓曲率精确估计的指尖检测。研究了随机概率模型的手势识别和跟踪,提出一种特征三角形分析的特殊手势识别和跟踪方法。通过实验结合分析表明,本章所提出的算法能在不同形态和场景下实时准确地检测出手势、识别手势和跟踪手势。第六章,阐述了PTZ运动摄像机的模型结构,介绍了基于PTZ运动摄像机伺服控制的实验硬件系统组成,建立了PTZ摄像机的伺服控制模型,并结合随机概率模型目标跟踪方法,提出一种适用于PTZ运动摄像机的目标跟踪和摄像机伺服控制方法。实验结果表明,所提出的算法实现了对快速运动目标、轮廓目标和手势目标的精确平稳跟踪。第七章对全文作了总结,阐述了本课题的研究结论和创新点,并对后续研究工作做出了展望。