随着监控网络的广泛覆盖,视频目标跟踪已经广泛应用于军事、医疗、交通和公共安全等领域。目标检测跟踪通过提取目标的有效特征,获取目标状态。传统的目标跟踪方法在遮挡和目标尺寸较小的情况下,跟踪性能降低甚至失效。论文针对目标遮挡和小目标两个跟踪中的难点问题展开研究,主要工作包括:针对遮挡问题利用目标的子区域跟踪模式、权重聚类算法和卡尔曼滤波的最优估计,实现遮挡目标跟踪;引入重采样思想,采用多模式的粒子重采样策略和轨迹相似度判决,提升局部遮挡目标跟踪框架的效率;针对小尺寸目标跟踪问题利用目标的底层特征及改进的卡尔曼滤波算法实现无人场景下的极小目标跟踪。通过实验表明论文方法获得了较好的跟踪结果,具体工作总结如下:1.深入研究了遮挡条件下的目标跟踪方法。针对长时跟踪算法TLD对遮挡情况目标跟踪漂移和失效的问题,提出了基于子区域聚类和卡尔曼滤波的遮挡目标跟踪算法。该方法以互信息为准则判断目标的遮挡情况,在局部遮挡的条件下引入子区域的TLD跟踪模式和无监督学习准确跟踪目标,避免跟踪漂移;在严重遮挡的条件下引入线性卡尔曼滤波有效地估计目标位置,避免跟踪失效,从而得到更高的跟踪精度与准确度。2.研究了子区域聚类方法的效率提升问题。针对子区域聚类的局部遮挡算法效率低的不足,提出了基于子区域重采样的局部区域遮挡算法。该方法采用粒子滤波重采样模型和轨迹相似度测度,在保证跟踪精度与准确度的前提下,提升了跟踪效率。3.研究了无人机场景条件下极小目标的跟踪方法。针对极小目标缺乏高级特征,常用跟踪算法失效的问题,提出了一种基于改进卡尔曼滤波的极小目标跟踪方法。该方法以相似度测度表征误差大小并作为观测噪声协方差矩阵描述子,统计检测与跟踪结果的累计误差作为判决跟踪模式依据,从而建立完整的极小目标跟踪框架。