基于图像序列的目标跟踪作为计算机视觉领域的一个核心问题,得到了广泛而深入的研究。视觉跟踪研究的主要目的是模仿生理视觉系统的运动感知功能,赋予机器辨识图像序列中物体运动及其相互关系的能力,为图像序列理解提供重要途径。视觉跟踪技术具有广阔的应用前景,如视频监控、视频分析、视频检索、基于视频的运动分析和合成、基于运动信息的身份识别等。作为一个有着广泛应用背景的研究领域,基于图像序列的目标跟踪吸引了大批研究学者参与,许多国外研究机构也将其列为重要研究方向,并已取得了很多成果。但是一般意义上的跟踪技术还远未成熟,要开发出真正鲁棒、实用的跟踪应用系统还需要解决大量的问题。粒子滤波通过非参数化的蒙特卡罗模拟方法来实现递推贝叶斯滤波,适用于任何能用状态空间模型表示的非线性系统,以及传统卡尔曼滤波无法表示的非线性系统,精度可以逼进最优估计。粒子滤波方法的使用非常灵活,容易实现,具有并行结构,实用性强。本论文在序列蒙特卡洛滤波算法的框架下,以提高跟踪精度和算法鲁棒性为目标,针对其中涉及的关键问题进行了探讨,研究了开发鲁棒实用的视觉跟踪系统所需要的核心技术和关键问题解决方案。现对论文的主要工作概述如下:(1)为了提高粒子传播过程中状态空间的质量和视频跟踪算法的精度,文中提出了基于MCD和局部线性高斯模型的粒子滤波算法, MCD方法摒弃传统的像素匹配贡献均等方式,采用像素点间的邻近度作为相似性度量,该方法所获得的相关曲面更尖锐,匹配置信度更高;局部线性高斯模型使得在粒子传播过程中能使用最佳重要函数,两者结合能够实现最佳粒子滤波。由于MCD方法的鲁棒性,从而使得跟踪算法对环境的适应能力和稳定性得到提高。在此基础上,并通过两个仿真实验,说明算法的可行性与优越性。(2)以粒子滤波为跟踪框架,提出一种新颖的模板匹配的统计特征相似性指标,引进加权因子有效抑制目标边界噪声干扰和匹配区域背景成分的影响,同时突出目标特征的权重。由于完全不同模板图像统计特征也会存在交集,导致相似性偏差,所以融合基于HSV颜色空间的相似度能够修正偏差,改善匹配函数峰值特性,使得搜索目标得到全局最优解,最终实现鲁棒跟踪。实验结果表明,模板匹配具有良好的峰值特性,算法在跟踪目标存在变形、噪声、遮挡时也可以达到比较理想的跟踪效果。(3)图像匹配相似度指标是视觉跟踪领域中的决定因素。由于模板匹配中像素点r、g、b颜色值计算存在多对一缺陷,加之背景特征的影响,视觉跟踪中模板匹配往往得不到全局最优解。本文提出模糊隶属度概念和新的相似度指标公式,修正颜色值计算缺陷,相近似颜色值聚类,从而提高视觉跟踪中目标识别能力。这种新指标有效抑制背景成分的影响,同时突出目标特征的权重,改善匹配函数峰值特性,使得搜索目标得到全局最优解,最终实现鲁棒跟踪。实验结果表明,模板匹配具有良好的峰值特性,算法在跟踪目标存在变形、噪声、遮挡时也可以达到比较理想的跟踪效果。