随着计算机技术以及传感器技术的发展,视频采集技术不断提高,所采集、存储的视频数量日益增长,对海量视频数据的处理需求推动了智能视频分析技术的快速发展。视频目标跟踪作为智能视频分析中的核心技术之一,通过对视频目标的跟踪获取目标的位置、标签、尺寸、速度等目标状态信息以及目标的运动轨迹,为更高一层的目标行为分析与理解打下重要基础,已经成为国内外学者以及科研机构的研究热点之一。当前,视频目标跟踪已被广泛应用于视频监控、智能交通、智能机器人、人机交互、视频压缩、视频检索、无人驾驶等诸多领域,具有非常重要的研究意义和学术价值。尽管人们已经提出了大量视频目标跟踪方法,但是在复杂场景下,长时间可靠的视频目标跟踪仍然是一个具有挑战性的问题。由于先验知识的缺乏,以及目标运动过程中光照变化、杂波干扰、目标尺度变化等因素的存在,目标外观特征中难以避免的含有不确定性信息,使得视频目标的准确跟踪变得困难。对于多目标跟踪问题,还存在目标数目未知、目标漏检以及虚假观测等不确定性因素,使得目标与观测间的数据关联变得更加困难。本文基于模糊集理论以及直觉模糊集理论,围绕如何克服视频目标跟踪中目标外观模型以及数据关联中的不确定性进行了深入研究,提出了一系列有效的视频目标跟踪新方法:(1)针对复杂场景下的视频目标跟踪问题,提出了一种基于多属性模糊综合的视频目标跟踪算法。该算法将外观特征和光流特征统一到多属性投票跟踪框架中,同时,为了克服外观特征投票可信度与光流特征投票可信度中的不确定性,引入模糊综合函数,通过对不同的投票可信度进行模糊综合,生成了更为可靠的模糊综合可信度,得到了目标中心位置的可靠估计。实验结果表明,该算法能够在复杂场景下取得较好的跟踪效果。(2)针对视频多目标在线跟踪中观测定位、目标数目以及虚假观测等多种不确定性因素条件下目标与观测间的数据关联问题,提出了一种基于模糊空时信息聚类的视频多目标在线跟踪算法。该算法从空时信息中提取了多属性特征来度量目标与观测间的距离,并通过两次模糊C均值聚类,分别计算出以目标作为聚类中心和以观测作为聚类中心的模糊隶属度,然后通过模糊综合函数对这两种隶属度进行融合,得到模糊综合隶属度,最后根据模糊综合隶属度实现目标与观测间的数据关联。实验结果表明,该算法能够较好地处理目标与观测间数据关联的不确定性并且能够有效抑制虚假轨迹的产生,取得了较好的跟踪效果。(3)针对视频多目标跟踪中的模糊数据关联问题,为了更好地提取不确定性信息中的有用信息,提出了一种基于直觉模糊集的视频多目标在线跟踪算法。该算法通过定义模糊直觉指数,对由模糊C均值聚类得到的模糊隶属度中的不确定信息进行建模,并采用直觉模糊点算子从模糊直觉指数中进一步提取有用信息,计算出目标与观测间的直觉模糊隶属度,最后根据直觉模糊隶属度实现目标与观测间的数据关联。实验结果表明,该算法能够较好地处理目标与观测间数据关联的不确定性,在多个测试视频上均取得了较好的跟踪效果。(4)针对视频多目标跟踪中存在特征描述不确定性问题,提出了一种基于直觉模糊随机森林的视频多目标在线跟踪算法。该算法设计了一种新的直觉模糊决策树模型,并以直觉模糊决策树模型作为基本单元,结合随机样本采样以及随机特征选择,给出了一种新的直觉模糊随机森林模型,以直觉模糊随机森林作为目标分类器,实现对漏检目标的在线跟踪。实验结果表明,与现有方法相比,该算法在多目标跟踪准确性等多项跟踪性能评价指标上均有较明显的提高。此外,考虑到直觉模糊随机森林模型的存储量和计算量较大,利用AdaBoost算法训练浅层直觉模糊决策树模型构造出了提升直觉模糊树模型。