目标跟踪是计算机视觉研究领域的重点研究课题,其应用非常广泛且活跃,如导弹制导、视频监控、医疗诊断、无人机系统、以及机器人导航等诸多方面。目标跟踪以图像处理技术为基础,将电子光学、计算机和测试技术等融为一体,构成一个综合体。目标跟踪的关键问题是被跟踪目标的表观变化能够让算法保持可靠的鲁棒性,表现变化主要体现在两个方面,一个是针对光照或阴影等外部环境的变化,另一个是遮挡。由于在这类非可控环境中对目标的检测和跟踪,缺少稳定的方法,以及处理多目标时,现有方法的可扩展性较差,在处理复杂数据集时不具备良好的泛化能力。本文针对这些非可控环境下的多目标跟踪问题进行了重点研究。其主要工作总结如下:1)多目标跟踪分为目标检测和数据关联两个阶段,其中目标检测结果的好坏对于数据关联的结果有很大的影响。为了提高目标检测的精度,我们采用了神经网络技术以增强其稳定性和可靠性。传统的目标检测算法虽然在算法复杂度上显得高效,但难以应对环境的骤变及缺少适应新环境的能力。神经网络的特有学习机制从而能够很好地处理这个问题,并且极少人工干预。在神经网络的应用上,我们分别采用了传统的BP神经网络和新型的卷积神经网络技术进行实验,并对它们采取了若干的增强手段,以增进小型学习网络的可靠性。通过实验发现,神经网络能够有效地解决目标跟踪问题,并且能够很好的应对光照或阴影等环境的变化。此外,对于可控的局部遮挡也可以在目标检测阶段检测出。这些结果都大大地增强了数据关联阶段的可靠性,并能够很好地运用在嵌入式设备等硬件条件有限的情况下。2)在多目标跟踪方面,如果我们采用传统的目标检测算法,其在较为复杂情况下的检测误差会在数据关联阶段得到扩大,从而影响了数据关联算法的发挥。这时的一种思路是耦合目标检测和数据关联这两个子问题为一个单一的全局最优化问题,从而很好地利用了两个子问题的互补性。在算法的选择上,我们分别选取了一种改进的基于均值漂移的算法用于目标检测,一种线性的编程方法用于数据关联。这两种传统算法都有着简单高效的特点,更重要的是,它们能够转化为最优化的解决方案,从而为子问题的耦合提供了便利性。最终,我们通过耦合这两种普通的算法得到耦合的算法,并应用数据集去测试效果。实验发现,耦合后的算法在处理剧烈位移和目标消失的情况下,都能够保持高度的准确性。