本文研究单摄像机下基于检测的多目标连续跟踪技术。论文以在线分层关联框架为基础,分别在局部关联、全局关联、提取目标特征三个问题上展开了深入分析和研究,通过局部关联,实现连续轨迹和当前帧的候选对象关联,通过全局关联,实现断开轨迹片段和当前帧候选目标关联,并通过增量线性可判别分析在线自适应学习更新连续轨迹与候选目标的关联代价函数,获得更为连续和完整的多目标的运动轨迹。论文的主要研究工作和创新点如下:(1)提出了遮挡处理的局部关联方法。在关联连续轨迹和当前帧的候选目标时,采用目标分块和加权环形颜色直方图的方法,把目标划分成若干分块,每个分块都根据被遮挡情况自适应赋予权值,提取目标整体和分块的颜色信息时使用加权环形颜色直方图,并融入空间信息,改进了遮挡时的匹配可靠性。(2)提出了基于运动预测的全局关联方法。在关联断开轨迹和当前帧的候选目标时,采用运动预测加模糊搜索的方法,在目标轨迹断开处用卡尔曼滤波器预测可能的搜索中心,向四周做模糊搜索,同时考虑运动特征和表观特征的相似度判断周围是否有匹配的候选目标,改善了全局关联的匹配可靠性。(3)提出了基于增量线性可判别分析(ILDA)的自适应多目标跟踪方法。在提取目标特征的时候引入ILDA,并根据视频监控需要长时间连续跟踪的情况,通过在线自适应更新目标特征,调整匹配的关联代价函数,指导局部关联和全局关联中轨迹的增长,实现了多目标的连续可靠跟踪。论文通过公开视频序列对所提出的算法进行了实验分析。实验结果表明,遮挡处理的局部关联方法能有效处理目标被局部遮挡的情况,基于运动预测的全局关联方法能够提高断开轨迹匹配时的可靠性,基于增量线性可判别分析的自适应多目标跟踪方法能够有效处理多个目标外观相似且空间位置相近的情况。论文最后对全文工作进行了总结,并对后续研究进行了展望。