目标跟踪是图像处理和计算机视觉领域的重要研究方向之一,在视频监控、人机交互、智能交通和导航制导等方面都有着广泛的应用。跟踪过程中,运动目标姿态、背景、光照的变化以及遮挡等都会影响跟踪算法的稳健性,其中遮挡问题是跟踪过程中的一个难点。概率图模型是概率论与图论的结合,对于处理不确定性问题具有很大的优势。近年来,概率图模型在计算机视觉领域如目标识别、目标检测和跟踪方面已取得了一些应用成果。本文针对跟踪过程中的遮挡问题,研究概率图模型在目标跟踪中的应用,以提高遮挡情况下跟踪算法的稳健性和有效性。本文采用基于子块匹配的抗遮挡算法作为基本框架,主要工作如下:首先,针对子块划分问题,提出了一种基于局域特征点的目标显著特征区域提取方法。通过检测目标区域的Harris角点,结合K-means聚类提取目标的特征区域(子块),极大地保留了目标的显著特征信息,并且剔除了对于跟踪结果影响不大的冗余信息。再次,针对子块匹配结果的融合问题,提出了基于显著特征区域和马尔可夫随机场(MRF)的目标跟踪算法。利用目标特征区域相互之间的空间约束关系,并融合各特征区域的局域信息建立目标的马尔可夫随机场模型;根据目标模型使用概率推理对子块匹配结果进行空间域推断,输出最终的目标位置。实验结果表明,该算法具有较高的跟踪精度,尤其是目标遮挡时,该算法具有较好的跟踪稳健性,但其实时性稍差。最后,提出一种基于显著特征区域和条件随机场(CRF)的跟踪算法。根据各特征区域的自身信息,各区域之间的空间约束信息以及相邻帧之间的目标运动信息,建立目标的条件随机场模型;利用目标模型,估计各子块属于目标区域的概率,并据此估计最终的目标位置。实验结果表明,该算法的跟踪精度与基于马尔可夫随机场的方法相当,可以实现遮挡情况下的目标稳健跟踪,但其跟踪速度快,基本可以满足实时跟踪的需要。