对视频中运动目标进行跟踪,一直是计算机视觉领域中活跃的研究课题。目标跟踪融合了如图像处理、模式识别、统计与机器学习和生物学等多方面的理论和方法,是一项跨越多个学科的综合技术。作为一种较为基础的技术,目标跟踪融入到人们生产和生活的各个方面,在智能交通、智能监控、汽车自动导航、智能人机交互和国防等领域有广阔的应用前景。准确地跟踪目标是有效地进行目标识别与决策的前提条件,也是实现智能视觉系统的基础。因此对目标跟踪方法的研究和优化,以提高准确率是十分必要的。在此背景下,研究工作主要是探讨基于粒子滤波的目标跟踪方法中一些关键技术。提出了适用于标定环境下的基于空间信息的目标模型(SOM),该目标表示模型基于摄像机模型和透视投影原理,根据摄像机的内外参数而建立,该模型包含了现实三维场景与图像平面的对应关系。由该模型生成的用来表示行人目标的四边形区域可根据目标在地平面上的不同位置自动调整尺寸大小和朝向。该模型适用于摄像机视角固定且摄像机内外参数已知情况下的视频行人目标跟踪应用。为验证该目标表示模型的适用性,将该模型应用于粒子滤波架构下的行人跟踪中。实验结果表明,基于空间信息的目标表示模型的粒子滤波方法在行人跟踪测试中比传统的粒子滤波方法具有更高的稳定性和精度。此外结合SOM、尺度不变特征变换(SIFT)特征和最小二乘估计(LSE)方法对行人旋转角进行估计,也取得了理想的结果。文中最后指出了将SOM用于行人身高估计和行人检测的基本思路和方法。提出了一种适用于粒子滤波架构下的基于全局和局部动态模型的目标跟踪方法LDMPF。该方法根据目标外观的整体和局部分别建立动态系统模型,即全局动态模型(GDM)和局部动态模型(LDM)。LDMPF方法采用全局粒子滤波和局部粒子滤波实施全局粒子与局部粒子的采样与状态预测,从而实现目标跟踪。全局和局部动态模型同时进行状态推进可以提高目标跟踪的精度。实验中将LDMPF方法分别与传统的粒子滤波方法以及目前的几种主流方法((?)1Tracker, IVT、FragTrack等)进行对比。实验结果表明LDMPF方法在稳定性和准确性方面更具有优势,并能够有效地克服半遮挡和漂移等问题。鉴于当前的目标跟踪中模板匹配策略存在的弊端,提出了一种具有局部性特征的局部动态模板(LDT)和针对该模板的模板预测、模板更新与遮挡检测等新策略。LDT模板针对可能出现的遮挡与目标外观变化情况,对传统的模板进行了局部化改进,将原模板划分为多个局部模板(块)。结合LDT模板和粒子滤波,提出了一种基于LDT模板的目标跟踪方法LDTPF。LDTPF跟踪过程中的参考模板来自LDT模板动态预测生成。LDT模板能表示局部化特征和遮挡情况,并根据目标外观变化进行实时地局部更新。在目标跟踪过程中,LDT中每个局部模板(块)独立更新,同时对每个局部块进行遮挡检测。在实验中将LDTPF方法分别和传统的粒子滤波方法与目前的几种主流方法进行对比,并且将LDT模板方法分别与SOM模型和LDM模型整合后进行实验测试,实验结果表明基于LDT模板的LDTPF方法能更好地提高目标跟踪的稳定性和准确性,并能解决半遮挡条件下的目标丢失或漂移和目标外观变化等问题；与SOM、LDM的整合试验结果也证实了LDT模板方法的适用性。