随着计算机的发展和监控设备分辨率的不断提升,作为计算机视觉领域的一个热门研究方向,智能视频监控系统的研究越来越多的得到了人们的关注和重视。如何在视频监控系统中真正的做到完全解放人力,是所有研究者共同的奋斗目标。智能视频监控中视频序列的处理流程,一般包括图像预处理、目标检测和分类、目标跟踪、目标的行为理解等步骤。运动目标的跟踪是整个流程中的重要技术,它是基于计算机视觉最底层,即目标检测之上的研究,能为后续的高层信息处理,如目标的行为理解等提供辅助。目标跟踪算法为本文的主要研究课题。视频监控环境中的背景和目标情况都是复杂多变的,因此很难找到一个能适应各种情况的算法。但是经过人们多年的努力,出现了能解决部分问题的一些经典的算法。本文总结了目前已有的跟踪算法的分类,引出了一些主流的跟踪算法,而后分别对Kalman滤波器法、粒子滤波法、MCMC粒子滤波法、RJ-MCMC粒子滤波法和Mean Shift算法等进行了详细的介绍,并对这些算法进行了优缺点分析和比较。详细介绍了一种较好的融合算法,即Kalman滤波器预测结合Mean Shift搜索算法。传统Mean Shift算法跟踪效果一般,目标发生严重遮挡时会跟踪失败,目标运动速度过快时也会有跟踪丢失的现象。Mean Shift算法要求相邻两帧间目标区域需要有重叠部分,而结合算法克服了这一依赖。因此仿真结果可见,在对快速运动目标的跟踪中,结合算法表现良好。此外,通过对遮挡是否发生的判断,选择性的使用Kalman预测或Mean Shift的搜索结果,能较好的跟踪有遮挡情况的目标。该算法的结合思想为后来的研究提供了思路。本文重点引入了一种改进的MCMC算法,即AMCMC算法。该算法针对MCMC算法不能跟踪可变数量的目标和RJ-MCMC运算复杂度高的问题,提出将目标的进入和离开场景的检测独立于MCMC抽样之外,使同一时刻马尔可夫链维数不变。这样AMCMC算法即能跟踪可变数量的目标,又相对于RJ-MCMC有较小的运算量。由实验可知,AMCMC算法为使马尔可夫链收敛,往往需要设置较大的粒子数,这是由于采样过程中,大量的“不好”的提议抽样被舍弃。因此基于Mean Shift算法能快速找到峰值的特点,我们引入Mean Shift来一步优化那些“不好”的被舍弃的粒子点的状态,而后再次进行接收拒绝判断。这样就能大大提高粒子的利用率。仿真实验表明,在设置较小的粒子数的情况下,优化算法能比原算法更好的跟踪目标。AMCMC算法由于颜色模型的缺陷,处理目标交互交叉和有遮挡情况的能力较差。由Mean Shift算法中融合Kalman滤波器的启发,我们在AMCMC算法中引入Kalman预测,并在有严重遮挡时采用Kalman滤波器的预测结果。实验结果表明,改进后的算法能较好的处理目标遮挡的问题。