随着机器自动化及智能化的迅速发展,身处核心的计算机视觉技术吸引了大量研究人员的注意。作为计算机视觉领域中的关键问题和核心技术之一,视频跟踪已成为图像处理领域专家的核心研究方向。迄今为止该技术已经被大量使用在人机交互、智能安防监控、成像制导等方面。尽管该方向在众多成果的积累下高速发展,但是光照变化、目标姿态变化、快速运动等因素仍会严重影响跟踪结果。因此改善极端情况下此类目标跟踪方法的性能具有重要意义。当前主流视频跟踪算法TLD(Tracking-Learning-Detection)因其在长时间跟踪上的卓越表现受到广泛关注。该算法将整个跟踪流程分解为三个部分即跟踪、检测以及学习。但是当遇到目标遮挡、消失、消失后再出现等情况时,TLD算法仍会出现跟踪漂移,很多情况下甚至会出现跟踪失败的问题。从当前算法所面临的主要挑战出发,结合上下文信息在跟踪算法中的重要辅助作用,为了处理TLD跟踪算法在遮挡问题上的瓶颈,本文提出了两种基于面部辅助信息的TLD改进跟踪算法。论文的主要工作如下:1.基于辅助人脸信息的运动人体跟踪方法。由于上下文信息能提供更多更可靠的信息,针对TLD算法累积分类器错误导致跟踪漂移的情况,本文将融合上下文信息到目标物体位置的确定过程中,以此来减少由于误差积累导致的跟踪漂移问题。本文提出了利用人脸关键信息进行辅助跟踪的算法。同时检测运动人体目标及人脸图像,并建立一个两者之间在线更新的运动轨迹关联模型。当人体目标跟踪失败时,就可借助人脸信息完成目标位置的预测。最后,人脸识别模块的信息还可用于跟踪系统中特殊目标的锁定,有助于跟踪性能的显著提升。实验结果表明,当发生遮挡或消失再出现等情况时,本文提出的算法仍能有效跟踪。2.基于改进树状模型的视频跟踪方法。该算法主要改进人脸面部信息提取的过程,在特征提取阶段使用稀疏编码直方图,有效提高人脸检测的准确性。再将改进后的算法与运动人体建立在线更新关联模型。实验结果表明,本文所提出的算法比其他算法更具有鲁棒性。