随着相关学科和计算机学科的发展,计算机视觉取得了蓬勃的发展,运动目标跟踪已经成为计算机视觉领域的一个核心问题。扩展卡尔曼滤波、粒子滤波等新技术的出现,也促使视频跟踪算法取得了长足进步。卡尔曼滤波理论成功的解决了线性、高斯条件下的目标跟踪问题,而随着应用环境的日渐复杂,更多非线性非高斯的跟踪问题需要解决,进而提出了用粒子滤波理论来解决。但是目前粒子滤波算法在精确性和鲁棒性等方面仍无法较好满足产品应用的需求,因此对基于粒子滤波技术的视频目标跟踪方法展开深入的研究具有重要的理论意义和现实意义。本文所做的工作主要有以下几个方面:1.针对单一特征无法较好描述跟踪目标,本文应用运动、颜色、边缘三种特征来描述目标,并且应用一种基于特征可信度的自适应多特征融合方法。颜色特征是物体的颜色属性,本文用二阶直方图改善颜色直方图包含信息量低的缺点;边缘特征即图像的高频属性,用Canny算子提取目标的边缘,并进行膨胀操作以便边缘更加明显;运动特征是指物体的运动属性,视频的背景变化比较小时,基于运动特征的目标跟踪效果比较突出。本文在不同背景环境下进行了单一特征和多特征融合对比实验,验证了多特征融合算法的有效性。2.针对粒子滤波算法存在粒子退化现象和样本匮乏的问题,本文使用mean shift算法对其改进。在粒子滤波算法重采样之前采用mean shift算法对粒子进行一次聚类,之后对所有粒子分块进行部分重采样。该算法是对粒子退化现象和样本匮乏现象的一种权衡,既有效缓解了粒子退化现象,又保留了粒子的多样性。另外由于均值偏移理论对粒子的收敛作用,在算法的起始阶段,可以仅仅采样少量的粒子就得到与经典的粒子滤波算法相同的效果,提高了算法的实时性。3.在深入分析了改进的粒子滤波算法与多特征融合算法之后,本文将二者进行有效结合,形成一种改进的基于多特征融合的粒子滤波算法,并采用该算法在遮挡等情况下进行了跟踪实验。实验中,本文算法能有效跟踪目标,且运算速度更快,鲁棒性更高。