随着社会文明和科学技术的不断进步,人们对视频设备的智能化需求日益增长,使得计算机视觉技术备受关注。作为计算机视觉技术的重要组成部分,多目标跟踪已经成为机器视觉和人工智能领域的研究热点。目前,多目标跟踪技术的研究虽然已经取得突破性的进展,但是复杂场景下的多目标跟踪仍然面临诸多挑战:(1)由于受背景噪声等情况的干扰,视频序列中的运动目标检测可靠性较低,将这些检测目标作为跟踪目标候选区域时,容易发生目标跟丢和漂移等现象;(2)视野中存在频繁遮挡、相似目标、目标形变等复杂场景,增加了多目标跟踪器发生身份误切换等错误的概率;(3)多目标跟踪场景通常目标数目是可变的,跟踪器需要根据检测结果自动地初始化新目标,然而检测误差严重影响目标初始化准确度。针对以上几种挑战,本文研究基于检测的数据关联多目标跟踪方法,主要内容及创新点归纳如下:1.针对传统光流法运动目标检测容易受到噪声干扰的问题,构建一种权重系数自适应光流法运动目标检测框架,避免人工设置权重系数所造成的光流场误差。提出基于两层模糊C均值(Fuzzy C-Means,FCM)聚类算法的权重系数自适应寻优策略,克服了Horn-Schunck光流法不能自学习收敛阈值的缺点,降低了背景噪声对目标前景的干扰程度;设计视频序列中权重系数自适应光流法运动目标检测算法,在线优化选取、更新权重系数,并获得运动目标检测区域,相对于其他人工设定的权重系数,自适应权重系数情况下的运动目标检测结果可以达到最优或次优性能。2.在目标检测的基础上,研究基于检测的数据关联多目标跟踪方法,该类方法将检测目标作为跟踪目标候选区域。为了克服复杂场景中检测目标表观不可靠的问题,设计一种基于加速度特征的时空特征融合多目标跟踪方法。提出一种新的时间维度上的特征,称为加速度特征描述子,为目标特征模型提供更多的时域信息,增强表观不可靠时目标特征模型的判别能力;融合加速度和多个空间维度上的特征,建立目标时空特征模型,采用匈牙利算法求解数据关联最优匹配对,完成多目标跟踪任务,有效降低表观不可靠情况下的多目标跟踪误报率,提高背景变化、目标表观相似等复杂场景下多目标跟踪准确度。3.针对多目标跟踪过程中存在目标相互遮挡的情况,给出一种基于时空渐进特征模型的抗遮挡多目标跟踪方法,减少目标遮挡所带来的轨迹断裂、身份误切换等跟踪错误。根据目标的关联状态、重叠情况、深度顺序构建目标遮挡推理模型,能够在线地识别被遮挡目标;针对被遮挡目标进行基于时空渐进特征模型的目标再检测,采用时间维度上的光流直方图特征消除相互遮挡时表观特征交叠所造成的跟踪障碍,提高遮挡情况下多目标跟踪的准确性、精度和轨迹完整性。4.针对跟踪目标经常发生局部或全局表观变化的问题,设计一种基于主块和时空特征模型的分级数据关联多目标跟踪方法。构建主块特征模型,用于表示发生局部表观变化或没有表观变化的目标,通过计算目标主块区域的表观特征亲和力,保证数据关联代价矩阵的准确性,提高目标局部遮挡、形变情况下的特征模型判别能力;融合目标整体区域的表观和光流直方图特征建立时空特征模型,区分具有重大表观变化的不同目标,避免全局遮挡等场景下跟踪不准确的问题;采用轨迹置信系数实现分级数据关联多目标跟踪,针对发生局部和全局表观变化的不同目标进行准确数据关联,降低产生身份误切换等跟踪错误的概率。5.针对复杂场景中容易发生新目标初始化不准确的问题,研究一种带有目标初始化滤波器的深度时空特征融合多目标跟踪方法,减少冗余检测结果造成的假阳性新目标,并采用深度时空特征构建新生目标特征模型。构建基于Gaussian映射的目标初始化滤波器,根据目标间的Gaussian映射图重叠情况滤除冗余新目标,提高识别真实新目标的准确率;针对目标初始化滤波器所确定的真实新目标,建立基于主成分分析网络的目标深度时空特征模型,并逐帧继承或更新目标特征模型,有效提高多目标跟踪的准确性和鲁棒性。