视频目标跟踪是计算机视觉领域研究的热点问题之一,其研究涉及到图像处理、模式识别、人工智能等诸多相关科研领域,是一个非常具有挑战性的研究方向,具有较高的研究意义和应用价值。随着研究的深入和技术的发展,视频目标跟踪技术已经在民用和军事领域中得到了广泛的应用,如智能视频监控、军事制导、人机交互以及医疗诊断等。基于多摄像头的智能视频目标跟踪技术是近几年发展较快、研究较多的一个应用方向,但是仍面临着许多技术难题。由于单摄像头视频监控系统视域非常有限,不可能在监控场景中长时间大范围地跟踪运动目标。而多摄像头视频监控系统提供了广阔的监控场景,可以进行目标长期连续跟踪,因此在许多领域有着广阔的应用前景,是视频目标跟踪领域新的研究热点。基于多摄像头的目标跟踪涉及的问题主要包括目标连续跟踪和目标匹配两个部分。因此,本文重点研究了多摄像头目标连续跟踪、摄像头之间目标匹配以及系统实现的算法优化等问题。首先,本文采用一种基于TLD(Tracking-Learning-Detection)算法的目标跟踪方法对监控区域中的运动目标进行跟踪。TLD算法是一种全新的视频目标跟踪算法,适用于目标长期跟踪。该算法结合了传统检测算法和主动跟踪算法的优点,有效解决了目标在长期跟踪过程中出现的变形、遮挡、丢失等问题。本文采用的跟踪方法在对设定的目标进行跟踪的同时,将跟踪到的目标通过在线学习机制加入目标模型库,对目标模型进行在线更新,使跟踪效果更加准确、鲁棒。然而,由于跟踪算法检测环节运算量较大,本文通过GPU(Graphic Processing Unit)实现算法并行优化,显著提升了算法的运行效率。其次,本文提出一种基于平面单应性约束的方法来解决摄像头之间的目标匹配问题。该方法通过SURF(Speed-up Robust Feature)算法检测相邻摄像头监控区域中的匹配特征点,求解对应的单应性矩阵,建立两者之间的映射关系,从而可以由前一摄像头中的跟踪目标获得后一摄像头中的匹配目标。实验结果表明,该确认方法能够较为准确的获得匹配目标,在多摄像头目标连续跟踪系统中可以获得较好的应用效果。本文也基于GPU对算法进行了加速优化,获得了可观的算法性能提升。最后,本文设计了一种适用于多摄像头监控场景的目标连续智能跟踪方案,并采用C++语言实现了一个软件系统。在系统实现过程中,本文对跟踪算法和匹配算法的计算任务进行多层次分割,在GPU硬件平台上对算法和系统进行了优化加速。所实现的系统能够可靠完成目标连续跟踪,具有较好的跟踪效果。