得益于机器视觉技术的快速发展,世界各国越来越多的学者开始关注多目标跟踪技术领域的研究。多目标跟踪技术在安防监控、人机交互、智能系统等众多方向都展现出了显著的重要性。本课题主要为解决遮挡环境F的多目标持续跟踪问题。通过构建一个描述目标跟踪过程的网络流模型,在其基础上使用数据关联优化算法,实现对非连续帧的相同目标进行数据关联,完成多目标跟踪器的设计。同时,在设计过程中,对模型的建立和数据关联优化算法的合理性做了定性和定量的分析。围绕着上述内容,研究工作主要包括以下几个方面：1)寻找一种能够更好地描述多目标跟踪过程的模型,该模型应能满足目标彼此间的动态关系需要,有助于目标在遮挡环境下的跟踪表述,并从中得到理论的支持；2)研究在多目标跟踪模型下用新型数据关联优化算法实现对多个目标在遮挡环境下的持续跟踪,并给予这种方法以理论支撑。采用的新型数据关联优化算法能够改善多目标跟踪器的跟踪质量,提升跟踪速率,满足实时性的应用要求；3)解决多目标跟踪器在预处理环节的学习时间过长问题,同时避免不必要的跟踪损失。本文的主要创新点如下：1)提出了一种新型的最小费用网络流目标跟踪模型。与原有的网络流模型相比,该模型不仅能够对目标的运动过程进行清楚的表述,而且可以依靠条件概率来反映相邻帧间目标邻域位置的关系。本文从理论上证明了所建模型中整数规划线性化后解的一致性,为在模型平台的基础上用数据关联优化算法获得全局最优解提供了平台。2)提出了一种以改进A*算法作为数据关联优化算法的多目标跟踪器设计方案。这种具有动态权值的分段式A*算法即DS-A*算法不仅提高了线性化整数规划的求解速度,而且还可获得全局最优解,文中给出了理论上的证明。实验结果表明,与其他相关方法相比,本文提出的优化算法具有更显著的优越性。3)提出了一种以改进SPFA算法作为数据关联优化算法的多目标跟踪器设计方案。这种具有动态约束的SPFA算法即FDSP算法,弥补了改进A*算法对最短路径中节点路径状态考虑的不足,且也可从理论上获得全局最优解。实验表明,与改进A*算法相比,用FDSP算法的优化算法优越性更强。4)本文提出一种用于算法学习的叠加帧批处理方法,将视频序列分割为若干子序列同时进行处理,同时顾及目标在分割处的漏报情况。这种方法使得算法学习过程大幅缩短,更易于多目标跟踪系统的实时性操作。