传统的图像监控系统，要求操作人员7天24小时监控摄像头，并发现可疑行为。现代的智能视频分析利用可靠的模式识别算法和计算机的运算能力，提高了监控系统的事件自动发现和报警能力，将操作人员从繁忙的视频监控中解脱出来。随着计算机和摄像头前端设备处理能力的提高以及通信带宽的增加，对智能视频处理的要求也越来越多。例如对人流、车流的适时监控和预测，对目标行为的判断和事件的归类，对目标的识别和搜索等等。作为智能视频分析的一部分，视频跟踪担负着承前启后的关键任务。它先从原始视频序列之中发现敏感目标，并对它们进行有效的跟踪。进而能够分析其轨迹和预测其行为。本文以图像监控为背景，研究视频跟踪算法的技术及其应用。采用的视频场景与实际生活息息相关，跟踪对象多为行人。从滤波跟踪和特征匹配两类视频跟踪算法出发，按照不同的应用和设备条件，对跟踪算法进行优化设计。根据实际应用的要求，设计了不同的跟踪器。主要的创新工作归纳如下：首先在发现复杂度和跟踪时间上找到平衡点，提出滤波跟踪和发现匹配相结合的跟踪算法。利用发现算法来选择更新参考模型，结合变分法滤波跟踪算法来推演目标的运动规律。设计了二者交互的接口和条件参数，引导发现和更新单元来辅助变分滤波。算法既提高了跟踪算法的稳定性，又限制了发现算法的运行时间。在多个场景的试验中，算法取得了不错的跟踪效果。接着提出了一种以点和网格为基础的局部特征的跟踪算法。特征点的提取和特征模型建立需要根据跟踪目标的特点来选择。使用特征点的方法，优点在于点的选择具有尺度不变性，因此适用于不同摄像头之间的目标参考模型交互。使用网格的方法，优点在于特征区域的选择速度快，而且特征的模型可以层级选择。然后提出了一种分隔多边形区域的方法，并新建了一种空间拓扑颜色直方图的外观模型。在跟踪复杂目标，如人体时，可根据其局部区域的空间关系来建立颜色模型。这种具有空间拓扑关系的外观模型，在进行帧间的目标匹配时具有很强的区分特性。最后提出了一种时间域上的区域协方差模型，并在无线图像传感器网络平台中利用该模型进行定位和跟踪。这种新的模型既包含区域的位置、颜色、梯度等特征，又引入了时间域上的统计特性。其最大的优势在于模型的数据量小，便于无线平台的通信。