视觉目标跟踪(Visual Object Tracking,VOT)是计算机视觉、图像处理和模式识别等领域研究的热点之一,在智能视频监控、人机交互、智能交通、军事制导和机器人导航定位等领域具有广泛的应用。复杂环境下,受光照变化、相似背景、目标形变以及遮挡等因素的影响,对视觉目标进行精确、鲁棒的实时跟踪成为计算机视觉领域公认的难题。近年来,虽然国内外很多学者对目标跟踪进行了深入研究,提出了许多优秀算法,但仍然有很多关键技术问题没有得到有效解决,因此,设计一个实时性更高、鲁棒性更好的视觉目标跟踪系统,是当前军事和民用领域的迫切需要。本文在视觉目标跟踪领域经典粒子滤波和均值偏移(Mean Shift)理论的基础上,对基于多特征融合的目标跟踪关键技术进行了系统研究。针对复杂环境下,目标跟踪误差较大、精度较低的难题,提出了基于特征描述能力度量的多特征自适应融合目标跟踪方法,提高了复杂环境下目标跟踪算法的鲁棒性和精确性。本文主要研究工作及成果如下:(1)提出了基于多特征融合目标跟踪框架的构建方案。通过对复杂环境下的目标跟踪问题进行分析,建立了多特征融合目标跟踪的总体框架和通用模型;通过引入特征描述能力度量函数,给出了基于特征描述能力度量的多特征融合策略,为实现不同跟踪算法框架下的多特征融合跟踪奠定了基础。(2)提出了一种基于多特征自适应融合的粒子滤波目标跟踪方法。针对基于单一特征和固定权值多特征目标模型跟踪算法鲁棒性较差的问题,提出一种基于特征可分性和稳定性度量的多特征融合目标跟踪算法。具体而言,在粒子滤波框架下,根据跟踪场景的变化,通过动态计算不同特征对目标和背景的可区分性和稳定性,设置重要性权值并自适应选择区分能力强、稳定性好的特征描述目标,建立多特征融合目标模型。在状态转移过程中,给出了一种基于特征稳定性度量的选择性模板更新策略,并对遮挡进行了有效的处理。实验结果表明,复杂场景下该方法具有更好的鲁棒性和精确性。(3)提出了一种尺度和方向自适应的多特征融合Mean Shift目标跟踪方法。经典Mean Shift算法仅使用颜色特征描述目标,缺少目标模型的自适应更新,针对此问题,通过度量特征对目标和背景的区分能力、动态计算特征权值、自适应选择高权值特征建立多特征融合目标模型,推导出了基于多特征融合的Mean Shift目标定位公式。依据特征权值的大小,提出了一种目标模板的异步更新策略,以减轻目标模型的漂移。针对Mean Shift算法使用固定的核函数带宽,对目标尺度变化适应性较差的问题,在Mean Shift算法框架下引入了SIFT特征,使算法对目标模型尺度和方向的变化具有良好的适应性。实验结果证明,在目标姿态、尺度和方向发生较大变化以及遮挡等复杂环境下,所提方法优于同类跟踪算法。(4)提出了一种基于多特征自适应融合的分块目标跟踪方法。针对复杂环境下,基于全局特征模型的目标跟踪算法容易丢失目标的情况,提出了一种基于局部敏感直方图和超像素模型的自适应分块目标跟踪算法。该算法利用局部敏感直方图特征和自适应分块方法建立目标模型,提取局部敏感直方图的亮度不变特征来抵制光照变化对目标模型的影响;针对局部敏感直方图算法缺少有效的遮挡处理机制,引入基于超像素分割的目标分块划分策略来提高目标的抗遮挡性;通过相对熵和均值聚类度量子块的局部差异置信值和目标背景置信值,建立双权值约束机制来计算不同子块的置信度,选择置信度高的子块在粒子滤波框架下定位目标;给出有效的目标遮挡检测和模型更新策略。通过在Benchmark数据集上的实验表明,所提方法比其他最新算法有更高的正确率和跟踪精度。