为减轻在视频监控系统中的人力资源投入,现阶段经常把运动目标追踪技术引入到视频监控领域,以达到对目标进行行为分析,进而发现异常行为的目的。近年来,为了解决目标追踪中出现的各种问题,有很多方法不断被提出和改进。但是,目标发生形变、遮挡等现象在目前依然是影响目标追踪的准确率的主要问题。尤其是在多目标追踪的环境下,各个目标间的互相遮挡、粘连的问题对目标追踪问题的研究带来了很大的影响。本文建立了一种基于扩展的卡尔曼滤波器(EKF)的局部分块模型来对目标进行建模。其主要思想是对目标区域提取SIFT特征点,并将提取到的SIFT特征点根据位置信息来进行分块,同时保持分块间的相对位置关系。在匹配过程中通过扩展的卡尔曼滤波算法对下一时刻运动目标的位置进行预测,从而达到减小目标的匹配范围,提高匹配的效率和准确率的目的;通过匹配成功的目标位置来对模型进行反馈和修正,来对目标模型的各个值进行更新,完成目标模型的更新;通过分块间的相对位置关系,来解决目标的遮挡问题,保持目标模型的鲁棒性,同时可以剔除掉相距过远的分块,减小误匹配率。针对背景发生变化的多目标追踪问题,为减小背景对目标匹配带来的影响,使用一种背景减除策略。将背景模型通过相对运动关系进行位置修正,在待匹配的图像帧中将匹配成功的背景区域进行减除,剩下的区域作为目标的待匹配区域与运动目标进行匹配,这样可以大大降低背景对目标的影响,从而提高目标匹配的准确率。使用多假设目标跟踪算法(MHT)来对多目标进行追踪,同时利用分块的特性来解决目标间相互遮挡、粘连的问题。完成匹配后,分别对目标和背景模型进行在线更新,以保证目标和背景模型的有效性。最后通过对单个目标和背景发生变化的多个目标进行追踪实验,实验表明,使用本文的算法可以有效地提高目标追踪的准确性,且能够很好地处理在发生遮挡的情况下的目标追踪问题。