随着信息社会的日益发展,智能监控系统已经在人类生活的各个方面发挥着重要的作用。特别是目前成为国内外研究热点的多摄像头、多目标跟踪技术。相对于技术已经相对成熟的单摄像机的目标跟踪,多摄像机下目标跟踪技术的实现则较为困难。目标匹配在目标跟踪过程中起着承上启下的作用,这使得行人目标匹配是智能监控系统中多摄像机协同的关键技术之一,提高目标匹配的效率和准确率成为智能监控中的研究热点。本文研究适合在多摄像机监控场景下,融合目标的颜色特征和局部特征的行人目标匹配技术。主要内容和创新点如下:(1)研究了基于局部特征HOG的目标匹配技术。针对HOG特征提取过程复杂耗时,做出如下两点改进。首先,提出了一种基于sub-cell结构的HOG特征快速算法,对其中运算量最大的三线性插值过程进行了改进,通过区域再划分有效降低了插值的复杂性,并保证了特征的有效性。另外,针对彩色图像,提出了一种结合人眼视觉特性的G-HOG方法。(2)研究了融合局部特征和全局特征的目标匹配技术。为了适应多摄像机下不同环境的匹配需求,提出了多模式多尺度的HOG特征(MultiLevel-HOG)与带有空间分布信息的颜色聚合向量特征的融合方法,提高了目标匹配的鲁棒性和准确性。(3)研究了基于BPSO和SVM联合优化的目标匹配技术。针对上述特征融合之后带来的维数过高的问题,本文将支持向量机同二进制的粒子群优化相结合,对融合特征进行特征选择。进一步地,本文在此基础上提出一种多次特征选择算法。首先利用SVM结合BPSO算法分别对HOG特征和颜色特征进行特征选择,得到了两种特征的二进制特征掩码。然后将两种特征被选择出来的特征子集相融合,再次利用SVM结合BPSO算法对融合特征进行特征选择,进一步提高了效率。论文对以上研究的算法进行了仿真实验分析,验证了算法的正确性和可行性。论文最后对全文工作进行了总结,并对该课题进一步的研究工作进行展望。