视觉监控系统已经得到了普遍推广,但仍然处于人工检索和比对分析的较低发展水平。尤其是在固定部署的摄像机监控系统中,单摄像机内的视野局限性带来的光照变化和外观差异,动态目标之间的相互交错以及频繁遮挡,都会对跟踪系统的性能造成极大的影响。因此,基于视觉的多目标监控系统具有较大的学术价值和应用前景。本文针对单场景、多目标可靠关联开展研究,尝试提出多摄像机多目标跟踪的解决方案。针对场景需求合理构造行人外观和运动模型,对于多行人的识别和跟踪至关重要。然而,传统的外观模型并没有将空间信息和外观构造联系在一起,也没有针对行人遮挡导致外观改变进行分析。本文对上述问题进行研究与改进,在传统特征的基础上进一步引入了局部最大特征,同时采用多种空间结构信息提取不同位置的特征;针对短期遮挡、长期遮挡等情况,将行人特征分为通用特征和细节特征。对于运动目标模型,当前的研究也没有考虑行人步伐所造成的波动。本文对传统的卡尔曼预估模型进行降速,保证了跟踪的稳定性;同时采用均值的方式,以合理的时序信息降低了运动波动。利用合理的运动预估和准确的行人外观后,需要对所有的行人目标进行识别。一般地,可以通过距离相似度函数进行匹配。本文引入了交叉视角的二次判别分析法(XQDA)算法,对所有的相似度进一步训练匹配,行人之间的辨识度提高了3～6倍。然后,采用通用的匈牙利算法进行匹配,经过实际场景与数据库测试,有效的提高了多行人匹配准确度和跟踪精度。对于跟踪框架,本文在通用框架的基础上对目标初始化、降低匹配范围和跟踪器分类等三个部分进行改进,使得行人目标的跟踪更具稳定性与逻辑性,并提高了跟踪性能。实验结果表明,尽管本文算法的初始化过程在起始阶段不进行跟踪,但能够有效地降低误检。同时,降低匹配范围提高了匹配的精度,也降低了计算复杂度,从而提高了目标跟踪算法的运算速度。而且,跟踪器分类的方法可以处理行人离开场景再次匹配、行人遇到遮挡等特殊情况。实验结果表明本文提出的跟踪框架更加稳定,在跟踪精度上相比原有算法可以提升5～10%。最后,本文对所进行的研究内容和工作进行了总结,并展望了今后的主要研究方向。