视频运动目标跟踪是计算机视觉研究领域的重要课题之一，在视频监控、人机交互、机器人视觉导航以及智能交通控制中具有广泛的应用前景。近年来，粒子滤波方法被引入到了目标跟踪中，它为解决非线性、非高斯系统下的目标跟踪问题提供了一个有效的框架。粒子滤波是一种基于递推贝叶斯估计的统计仿真方法，它利用一组加权随机粒子样本来近似状态的后验概率密度函数。因此，整个基于粒子滤波的跟踪问题就是对状态向量的估计问题。
　　本文针对复杂环境下单个视频目标的跟踪问题，开展了基于粒子滤波的跟踪方法研究。目标定义为灰度或彩色视频图像序列中快速机动的非刚性物体。对于灰度目标，主要研究了鲁棒观测模型的设计问题；对于彩色目标，则对目标快速移动、部分遮挡、旋转以及尺度缩放条件下的跟踪问题进行了重点研究。
　　本文的主要研究成果如下：
　　1．将H滤波与粒子滤波相结合，提出了一种鲁棒H粒子滤波新方法。对于系统以及噪声不确定性较小的情况，Kalman滤波具有较好的滤波性能，而在系统参数以及干扰噪声非确定较大的情况下，H滤波则比Kalman滤波具有更优的预测性能。因此，将H滤波与粒子滤波起来，用H滤波的估计参数来建立新的建议分布，让粒子从该分布中采样来替代从转移概率密度中的采样，使粒子分布更接近真实目标。通过与标准粒子滤波相比较，该方法估计精度得到了有效的提升。
　　2．针对灰度视频中的灰度目标的跟踪，本文提出了一种基于模板匹配的概率模板跟踪方法。该方法将经典的灰度相关匹配方法与粒子滤波方法相结合，采用MPC距离作为衡量模板间的相似性的度量，并用该 MPC距离来构造粒子滤波的观测模型，进而对目标进行跟踪。该算法能够对短暂遮挡目标进行有效跟踪。
　　3．针对复杂环境下的彩色目标跟踪，本文提出了一种稳定、可靠的，基于多特征融合的自适应均值移位粒子滤波算法。该算法不仅融合了颜色信息，而且还加入了纹理信息以及运动边缘信息。它利用三种特征构建粒子滤波的观测模型，自适应调节特征间的融合程度，构造最优的观测似然函数，再加入重采样步骤以防止粒子退化。在跟踪过程中，当目标出现遮挡时，滤波器只进预测，而停止粒子更新，只有当再次找到目标后，才进行更新；当出现快速运动的目标时，滤波器加入了均值移位重要性采样步骤来预测快速机动目标。同时，在状态向量中加入了两个分别表示x和y方向形变的尺度变量，以对形状发生变化的目标进行跟踪。实验结果表明，该算法比仅有单一特征的跟踪方法具有更高的鲁棒性。