视频目标跟踪在视频监控、人机交互、智能交通等领域有着广泛的应用,它作为计算机视觉领域的核心问题之一,主要研究如何让计算机来实现人类的一些功能,比如模拟人的大脑来进行视觉分析,为目标跟踪的具体过程提供客观性的参考数据。由于实际环境总是复杂多变的,背景的干扰、光照的变化、遮挡都会影响跟踪的效果,而且视频目标在运动的过程中自身也会发生一些变化,如形状、大小、运动的轨迹等,都会给视频跟踪带来困难。虽然人们对视频跟踪的研究取得了不少进步,并且针对不同的环境提出了许多跟踪算法,但是在实际应用中仍不堪完美,依旧存在着许多问题和困难,因此视频跟踪具有很高的研究价值。本文就如何提高跟踪效果中的实时性和准确性两方面展开论述,主要做的工作如下：(1)为提高跟踪算法的实时性,将均值偏移算法和粒子滤波算法进行融合,本文采用一种自适应状态转移的混合跟踪算法。首先在粒子滤波框架中采用零阶自适应变化模型来预测目标的状态,它的更新过程主要依赖目标在前几帧的平均变化。该模型相对于一阶或二阶模型,能更好地处理运动过快或发生旋转情况下的跟踪。(2)在上述跟踪过程中如果发生目标与背景相似等多峰值情况时,在当前目标估计位置周围利用粒子滤波随机产生新的粒子,以每个粒子为中心位置,进行MS并行跟踪,通过这些新的粒子集来确定目标的最终位置,由于扩大了搜索区域,所以使得跟踪效果更加接近实际跟踪环境。(3)针对复杂背景下的运动目标跟踪问题,在上述混合算法的基础上融合多个特征。具体方法是通过构建目标与背景图像特征分布方差的比值函数来衡量目标与背景间的区分度,并计算特征融合权重。为了克服模板更新过程中的漂移,本文选择计算前后相邻两帧间目标模型的相似度函数,对跟踪模板进行自适应更新。