本文提出了一种改进的基于多特征融合的粒子滤波算法。在粒子滤波算法的预测方程中综合考虑了前景背景分割的结果,提高了跟踪的稳定性。在计算粒子权重时,先得到待跟踪对象的精确轮廓,然后计算轮廓内的多种特征参数,如:HSV空间上的颜色直方图、图像特征点(角点或者SIFT特征点)。通过比较和融合处理对象在当前帧与参考帧、历史最佳预测帧之间的直方图相似度及角点匹配数得到粒子的权重,从而提高识别粒子的准确性,达到对视频图像中的目标对象连续实时跟踪的目的。　　 本文对国内外粒子滤波的研究现状作了一个总结。对跟踪识别领域的常用算法也进行了详细的研究和总结,如:基于团块的跟踪识别算法、基于Kalman滤波器的跟踪识别算法、基于meanshift算法的跟踪识别算法、基于粒子滤波的跟踪识别算法等。确立了以粒子滤波的原理作为图像跟踪的基本方法。在分析研究了标准粒子滤波算法和粒子滤波算法中涉及到关键理论—递推贝叶斯估计理论和序贯蒙特卡罗信号处理方法的基础上,从两个方面详细描述了作者对粒子滤波算法的改进方法。　　 1.结合前景背景的分割结果,提出了一种新的粒子预测方程,以提高整个算法跟踪的稳定性。　　 经观察发现,待跟踪对象运动时,对象中心总是位于某前景块的中心位置附近。因此,本文在跟踪时假设对象中心在以某一前景块的中心为圆心、以该前景块的长/宽(取较大值)的1/2为半径的圆内按正态分布出现。本文对此进行细化提出了运动预测公式。在此基础上,进行了检验预测方程效果的试验。试验结果表明:使用该粒子预测方程能保证粒子在前景块周围出现,并且预测粒子出现的范围分散程度基本不变。　　 2.设计了一种新的多特征融合方法计算粒子权重,以提高识别粒子的准确性。　　 本文归纳总结并提出的图像多参数特征主要包括:待跟踪对象有效区域内的角点数、角点处的图像矩特征、待跟踪对象的颜色直方图、待跟踪对象区域内的SIFT特征点。在单独研究每种特征参数的基础上,结合考虑当前图像帧各种特征参数的实际可能出现的最大权重等因素,本文提出了一种新的粒子多特征融合处理的原理和算法,达到对连续图像中的特定对象的实时精确跟踪。　　 本文通过使用Intel开源计算机视觉库OpenCV作为算法验证的平台,同时采用PETS2009视频序列作为实验数据,进行了计算机仿真研究和试验。试验结果表明:本文提出的改进的基于多特征融合的粒子滤波算法原理正确,算法有效。