视频中运动目标跟踪是计算机视觉领域中富有挑战性的课题之一,在军事制导、视觉导航、安全监控、智能交通、视频编码、医疗诊断和气象分析等众多领域中有着广阔的应用前景,跟踪算法的研究具有重要的实际意义和理论价值。　　本论文的研究主要集中在单目标跟踪的应用中,但由于视频跟踪在计算机视觉领域有着广泛的应用背景,因此,本文的研究成果对于计算机视觉的其它相关应用同样具有重要的意义。　　论文针对室外目标跟踪领域的难题:提高复杂背景情况下跟踪目标的稳定性,研究粒子滤波跟踪方法及在粒子滤波框架中的最优颜色空间。　　粒子滤波通过非参数化的蒙特卡罗模拟方法来实现递推贝叶斯滤波,适用于任何能用状态空间模型表示的非线性系统,以及传统卡尔曼滤波无法表示的非线性系统,精度可以逼进最优估计。粒子滤波方法的使用非常灵活,容易实现,具有并行结构,实用性强。　　本文的主要研究内容包括:　　1)详述了粒子滤波理论及其实现方法,利用粒子滤波理论来解决目标跟踪问题,构建基于粒子滤波的跟踪框架。　　2)针对目标的特征,在特征选取方面,考虑运动目标特征直接影响着运动目标跟踪的准确性和稳定性,现有的特征大多需要处理的数据量大,运算复杂,所以本文选取直方图模型作为特征表述方式。　　3)考虑颜色空间的均匀性,使其颜色空间的距离能正确度量人对颜色相似性的感知,以及颜色空间的正交性,本文研究了RGB、HSV和YCbCr三类颜色空间对粒子滤波跟踪性能的影响,寻求粒子滤波算法中的最优颜色空间。　　实验结果表明,在粒子滤波算法中的最优颜色空间是HSV颜色空间,针对室外复杂环境下的刚性物体的尺度变化、光照变化和部分遮挡,具有较强的鲁棒性。