一直以来目标跟踪技术都是计算机视觉、图像处理领域的研究热点,其在智能监控、视觉导航、智能交通、人机交互、国防侦察等领域具有重要应用价值。近三十年来,一直有大量的国内外研究学者在不断地研究改进目标跟踪算法。但是,由于跟踪过程中目标信息的复杂性、目标的随机性、背景干扰和目标遮挡等问题,目标跟踪技术仍然是一个很有挑战性的问题。目前虽然成熟的目标跟踪算法有很多种,但是大部分算法都需要特定的环境和应用的范围。尤其是应对广泛场景的跟踪问题一直没有强鲁棒性的算法被提出来,绝大多数方法都是局限在特定的环境里,还需要大量的研究。颜色特征和HOG特征是目标跟踪领域中应用极为广泛的两种目标特征,本文将加权颜色直方图和HOG特征相融合,并通过PCA降维作为目标特征,提高算法在光照条件变化,目标发生形变等情况下的跟踪鲁棒性;针对目标出现遮挡的情况,将粒子群算法应用到目标跟踪系统中,优化目标相似性函数,提出了基于特征融合的粒子群优化目标跟踪算法;并针对惯性权重调节机制存在的局限性,提出了改进的粒子群优化目标跟踪算法,在保证算法跟踪精确度的前提下,显著提高算法运算效率;本文系统地研究了TLD算法的各个环节,提出了基于TLD算法的粒子群优化目标跟踪算法,在跟踪模块,检测模块,学习模块分别进行改进,提高了算法在复杂情况下跟踪的鲁棒性。论文的主要研究内容和创新点有以下几部分:1.深入研究目标跟踪系统基础理论,研究分析了基于匹配跟踪算法的结构化组成,将其分解为目标特征提取以及相似性函数优化两部分结构。2.将加权颜色直方图和HOG特征相融合,并通过PCA降维作为目标特征,选用Bhattacharyya系数作为目标相似性度量,提出了颜色特征和HOG特征融合的目标跟踪算法。加权颜色直方图选用中心凸起单调递减的Epanechnikov核函数作为直方图权值,减弱目标边缘像素对目标特征的贡献,颜色特征对目标方向和形状的依赖较小,经实验验证对跟踪过程中目标出现形变等情况具有明显优势。HOG特征在光照变化的情况下,具有良好的稳定性,将两种算法相融合,发挥各自优势,提高算法在光照条件变化,目标发生形变等情况下的跟踪鲁棒性。3.将粒子群优化算法应用到目标跟踪系统中,提出基于特征融合的粒子群优化目标跟踪算法。粒子群算法具有很好的“多峰”搜索能力,当目标出现遮挡时,目标相似性函数也会出现“多峰”的情况,将两者结合起来,可以良好地解决目标出现遮挡的跟踪问题。通过实验证明,基于特征融合的粒子群优化目标跟踪算法可以有效完成“多峰”搜索,实现相似函数出现“多峰”时的目标精确定位。4.针对基于特征融合的粒子群优化目标跟踪算法中惯性权重调节机制的局限性,提出了改进的粒子群优化目标跟踪算法。首先,初始化算法参数,并确定目标区域;接着,本文提出粒子成熟度的概念,改进惯性权重的调节方法,可以根据种群中每个粒子的不同状态准确调整惯性权重;然后,更新粒子的位置和速度,更新种群的个体最优解和全局最优解;最后,粒子适应度值最大的位置被确定为目标。通过实验验证相较于自适应惯性权重调节机制的粒子群优化目标跟踪算法,改进的算法在保证跟踪精确度的情况下,减少了粒子的迭代次数,显著提高了算法运算效率。5.本文系统地分析TLD算法的各个环节,对跟踪模块,检测模块,学习模块分别进行改进,提出了基于TLD的粒子群优化目标跟踪算法。本文用基于特征融合的粒子群优化目标跟踪算法替代TLD算法中原来的跟踪模块,增强TLD算法在应对目标出现光照变化、非刚性形变、尺度变化、旋转、遮挡等情况下的跟踪鲁棒性;针对TLD算法中运算量较大的检测模块,提出一种自适应调节方差阈值的分类器,提高算法精度和运算效率;针对学习模块中在线学习样本更新的问题,引入样本删除机制,在跟踪过程中为样本库中正负样本分别设定一个数量阈值,当正负样本数都达到各自阈值时,便会启动样本删除机制。然后,对待分类进入样本库的图像块进行等级评价,删除对正负样本表征能力都较弱的图像块。最后,将样本库中的正负样本与当前目标进行相似度匹配,删除对当前目标表征能力低的样本。改进后的基于TLD算法的粒子群优化目标跟踪算法在跟踪准确性和运算效率上得到综合提高。实验结果证明,在应对目标发生光照变化、非刚性形变、尺度变化、旋转和遮挡等广泛场景下的跟踪问题时,基于TLD的粒子群优化目标跟踪算法与11种目前最先进的跟踪算法相比跟踪精度排名第一,比排名第二的DLSSVM算法跟踪精度提高了1.2%,改进的算法相较于原始TLD算法运算效率提高了25%。