目标跟踪作为计算机视觉领域的核心课题之一,旨在研究视频序列中运动目标的跟踪问题,是视频分析和理解的基础。它融合了人工智能、模式识别、图像处理、自动控制以及计算机等多学科知识,广泛应用于智能视频监控、医疗诊断、机器人视觉、军事等多个领域,有着非常重要的科学价值和广阔的应用前景。确定性方法和概率方法是两类主要的目标跟踪方法,粒子滤波跟踪算法作为典型的概率跟踪方法,以其良好的跟踪性能、较强的跟踪鲁棒性,摆脱了传统方法解决非线性问题所采用的随机量必须满足高斯分布的约束,广泛应用于目标跟踪领域。随着运动目标状态的变化,目标特征受到复杂背景、光照变化、目标尺度、姿态变化等诸多因素的影响也会发生变化,因此,利用单一特征难以实现复杂背景环境下目标多种运动状态的准确表示,导致跟踪精度较低,跟踪鲁棒性差。针对此类问题,以多种特征信息之间的互补为出发点,结合粒子滤波,本文提出了一种基于自适应特征融合的目标跟踪算法,该算法相对于传统基于单一特征目标跟踪算法具有较高的跟踪精度和较强的跟踪鲁棒性,但是由于它需要分别计算目标多种特征,增大了算法的计算量,跟踪的实时性难以得到保证。为了解决此类问题,基于人类视觉的智能性特点,模拟人类视觉在跟踪目标过程中的学习性和记忆性,结合粒子滤波算法,提出一种基于人类视觉机制的目标跟踪算法。主要的研究内容包括：1.基于贝叶斯估计理论对目标跟踪问题进行描述,引出蒙特卡罗粒子滤波方法,详细介绍了重要性采样、序贯重要性采样以及粒子退化问题,分析粒子退化的原因以及对算法的影响,给出了粒子退化程度的衡量标准,总结了经典粒子滤波算法。2.针对利用单一特征难以实现复杂背景环境下目标多种运动状态准确表示的问题,基于多种特征的适应性场景不同,利用特征信息之间的优势互补,采用自适应特征融合方法,融合多种目标特征,避免单一特征的局限性,根据特征可信度给不同特征分配不同的权重,提高可靠信息的利用率,降低不确定信息的影响,结合粒子滤波算法,实现对目标的稳定跟踪。通过多组对比实验,验证了该算法具有较好的跟踪性能。3.基于人类视觉的智能性,模拟人类视觉在目标跟踪过程中对目标特征的不断学习,构建目标模板库,以记忆目标历史信息的方式模拟人类视觉记忆性,并根据学习的目标状态出现的频率动态更新视觉记忆信息,并结合粒子滤波对人目标进行跟踪。通过对比实验结果并分析,该算法具有较高的跟踪精度和较强的跟踪鲁棒性。