基于视频的运动目标跟踪技术是对视频图像中感兴趣的运动目标进行检测、跟踪,该技术为视频目标分析系统采取的进一步措施(例如行为分析,人机交互和智能监控等)提供依据。在复杂变化的跟踪场景中,目标可能要面对姿态变化、光照变化、遮挡和运动模糊等因素的干扰,想要对运动目标进行长时间有效的跟踪是一项艰巨的任务。为了解决传统的目标跟踪算法,在复杂环境下不能对运动的目标进行长时间稳定跟踪的问题。本文借鉴了在线学习的思想,研究了将LK光流算法与在线学习思想结合的跟踪算法。该算法以LK(Lucas-Kanade)光流算法作为目标跟踪的核心算法,在跟踪过程中对LK光流算法的目标外观模型进行在线更新,使得模型可以适应目标和环境的变化,从而实现长时间跟踪。论文的主要工作如下:1.本文研究了两种目标跟踪丢失判断方法,建立了在线更新的背景模型与目标运动模型,能够判断跟踪到的对象是否是目标,避免了因背景干扰而发生跟踪丢失或目标在画面中消失而导致的跟踪失败。2.LK算法的跟踪效果依赖于模板匹配的准确性,如果模板中的像素点全是目标的像素,那么LK算法有着良好的跟踪效果;但如果模板中包含背景像素,则会影响模板匹配的准确性,使得算法漂移。为此,本文研究了一种基于目标推理的模板匹配算法,在进行模板匹配时引入了目标的结构信息,提高了模板匹配的准确性。3.传统的LK光流算法通过求解目标模型在邻域内的最佳匹配来实现对运动目标的跟踪。而最佳匹配是通过多尺度迭代运算进行求解的,在迭代运算时容易陷入局部极小值。为此,本文研究了一种基于贝叶斯网络的目标外观模型,通过对目标模型的最大似然估计进行二维变换来实现对目标的跟踪。