由于图像采集设备的普及,以数字图像为研究对象的计算机视觉得到了空前的发展。目标跟踪是智能监控,虚拟现实以及机器人视觉等领域的核心技术之一,它的研究涉及到计算机、数学以及心理学等许多学科研究前沿的知识。目标跟踪是计算机视觉领域的重要组成部分,国内外有大量的研究者从事目标跟踪的研究性工作。但是由于跟踪环境的复杂性以及目标外观的多变性,开发出鲁棒的目标跟踪算法仍然是一个非常具有挑战性的课题。本论文在对现有的目标跟踪算法进行深入研究的基础上,针对这些算法存在的缺陷以及不足,提出了一系列的能够提高跟踪鲁棒性的策略。本文的主要研究内容和研究成果如下：1.提出了一种基于最大后验概率的多子空间学习目标跟踪算法。基于主成分分析(PCA)子空间学习的跟踪算法假设目标从子空间中生成并且误差项服从小方差的高斯分布。但是这些算法没有考虑样本在子空间中的先验分布,在以重构误差最小化为目标进行优化时容易产生过度拟合测试样本现象。为了解决过度拟合问题,本文首先从最大似然估计(ML)角度分析了基于PCA子空间学习的算法原理,然后推导出了样本投影在子空间中坐标方差的无偏估计,最后提出了基于最大后验概率(MAP)的PCA子空间学习算法。传统的子空间学习的目标跟踪算法仅仅使用重构误差的大小作为判断目标相似度的标准,而忽略了重构误差能够反映出目标外观与训练模型之间差异的特性。在此基础上,本文提出了一种局部跟踪策略。首先,将目标图像分成多个块,假设每个块都从独立的子空间中生成。其次,根据每个分块对目标的重构误差大小判断该分块是否被遮挡。最后在计算粒子权值和更新子空间时仅使用未被遮挡的分块,从而避免了遮挡物对跟踪结果的干扰。实验表明本文提出的算法能有效地解决目标的部分遮挡,运动模糊和背景干扰等问题。2.提出了一种基于簇相似性比较的多分类器目标跟踪算法。簇相似的比较算法通过建立以方差为尺度的特征空间,比较测试样本到簇中心的距离计算相似度,能够快速计算出目标样本。由于跟踪过程中目标和背景的变化,单分类器簇相似跟踪算法学习到大量的非目标信息而导致跟踪精度降低。针对该问题,本文提出使用树形结构保存历史分类器。在每一帧,根据树中路径距离选择分类器集对候选样本分类。实验证明,这种策略能够提升簇相似性跟踪算法的精度。3.提出了一种基于压缩感知特征选择的目标跟踪算法。压缩感知目标跟踪算法(CT)在许多测试视频中表现出了鲁棒的跟踪效果。它的外观模型包括一系列从高维特征空间随机映射得到的低维特征,低维特征保留了其在高维空间中的结构关系。在提取特征时,CT定义了一个非常稀疏的矩阵,并通过该矩阵与高维特征进行卷积提取目标特征。最后,CT采集正样本和负样本在线训练了贝叶斯分类器用于对目标和背景进行分类。在CT中,由于一些用于分类的特征区分能力不足,使用这些特征训练强分类器将会降低分类能力。为了解决上述问题,本文提出了一种在线的压缩感知特征选择的算法,在构建强分类器时,选择那些在分类正样本和负样本时具有最大“间隔”的特征。对于没有被选择的特征,在更新时定义一个随机的相对较高的学习率,减慢这些特征的更新速度。当目标的外观剧烈变化时,这些特征能够保留更多的目标原始信息,从而避免了漂移问题,提高了跟踪的鲁棒性。4.提出了一种基于协同决策的跟踪算法,它融合了两种互补跟踪算法,能够处理跟踪中的目标的外观变化和短时遮挡。并且,本文提出了一种评估跟踪结果“可信度”的概念,这种概念及其计算方式能够应用到其他跟踪算法中,有助于未来开发出更鲁棒的跟踪算法。首先,提出了一种改进的具有自动学习率的贝叶斯算法(简称B算法)。B算法的分类器响应值反映了跟踪结果的可信度,例如,当分类器响应值较低时往往是跟踪结果不可信。因此,当分类器响应值较低时,通过降低学习率可以使得B算法快速适应目标的外观变化,反之亦然。这样就使得B算法适合处理跟踪中目标外观剧烈变化的情况。其次,本文提出了一种改进后的增量子空间学习算法(简称S算法)。S算法的重构误差能够被用来判断跟踪结果是否可信。在跟踪结果不可信时,S算法将停止更新,这使得S算法能够保留更多目标的原始信息。当目标被遮挡后又重新出现时,S算法能够重新定位目标。最后,我们提出了一种能够融合两种不同算法的跟踪框架(BAST),在框架中,两种算法同时运行并且各自返回一个候选的跟踪结果。对于每一个候选跟踪结果,定义相应的标准来衡量其可信度,并选择最为可信的结果作为目标的状态。