视频目标跟踪涉及到生活中的方方面面;粒子滤波是用于目标跟踪的一种经典的算法,被广泛的用来实现视频图像中的目标跟踪,与卡尔曼滤波算法相比,粒子滤波能够在非线性非高斯系统中取得不错的效果;但是由于粒子滤波的重采样阶段会大量复制权值较大的粒子,这样会直接丢弃权值较小的粒子的信息,从而影响粒子滤波算法对真实系统状态的估计精度。考虑到粒子滤波的粒子贫化问题,本文结合莱维飞行的运行机制提出了用莱维飞行来优化粒子滤波算法,该算法将莱维飞行的均匀性和对未知区域较强的探索能力与粒子滤波结合起来,以提高滤波算法的估计精度。论文主要的算法改进和成果如下:一、提出一种结合莱维飞行和粒子滤波的Levy-PF算法。将莱维飞行对未知空间较强的搜索能力和粒子滤波结合起来,对粒子滤波重采样阶段复制大量权值所造成的粒子贫化问题有了很大的改进。二、在二维空间上对改进后的算法的精度进行测试。通过对标准粒子滤波算法和用粒子群优化的粒子滤波算法做比较,三种算法通过特定的状态模型和观测模型的测试数据来进行误差的比较。三、在具体的视频目标跟踪应用中,对粒子的多样性进行测试。实验中我们对标准的粒子滤波算法和Levy-PF算法在粒子重采样过后,通过对粒子的多样性进行比较,来说明本文提出的算法在全局搜索能力和多样性方面具有优势。对本文提出的Levy-PF通过对滤波精度的测试、粒子的多样性测试和视频目标跟踪中的粒子多样性的比较,表明本文提出的算法在滤波精度和粒子的多样性方面比原有算法能取得更好的效果,有一定的实际意义,并且莱维飞行优化后的粒子滤波也能提高算法的全局搜索能力。