运动目标跟踪是计算机科学研究领域的一个热点,其目的旨在通过现代计算机信息处理技术,实现对运动目标物体的状态估计与预测,使得机器具有跟踪视频图像序列中运动目标的能力,为进一步分析和理解目标行为提供可靠依据。目前,学术界和工业界对运动目标跟踪理论和技术的发展都做出了深入研究,取得了巨大的进步,但由于运动目标跟踪问题本身的复杂性,设计一种准确性、鲁棒性并兼顾考虑实时性的运动目标跟踪算法仍然是一个富有挑战性的难题。本文以运动目标跟踪为应用背景,在研究粒子滤波相关理论的基础上,为了满足在复杂环境条件下运动目标跟踪效果对准确性和鲁棒性的需求,就粒子滤波算法本身的改善和在运动目标跟踪中的具体应用两个方面做出了相应的研究,并进行了理论分析和实验论证,论文的具体工作如下:针对粒子滤波算法中存在的粒子退化和样本衰竭现象,提出了一种基于人工鱼群的粒子滤波算法改进方案,利用人工鱼群寻优机制随机性和搜索方向多样性的特点,将聚群行为和觅食行为引入粒子滤波重采样过程中,诱导粒子向高似然区域移动。在此基础上,论文又分析了人工鱼群算法容易早熟收敛陷入局部极值的问题,利用混沌遍历性和对初值敏感性的特点,将人工鱼群混沌化进一步改进粒子滤波算法。实验结果表明,改进后的粒子滤波算法能够有效地避免粒子退化和样本衰竭问题,在计算开销不是明显增加的条件下提高滤波性能。针对粒子滤波在运动目标跟踪应用中跟踪效果容易受光照变化、外观形变、遮挡和背景噪声等因素的影响,设计了一种利用目标局部图像块进行稀疏编码的方法,为目标外观建立静态“印象”和动态模型,将跟踪问题视为一个前景目标与背景图像的二分类问题,在跟踪过程中执行双粒子滤波缓解跟踪漂移,使得算法能够自适应捕捉目标外观变化的同时又能减小错误定位带来的更新。实验表明,这种粒子滤波运动目标跟踪方案能够自适应环境的变化,克服全局模板在处理目标局部变化时的不灵活性,算法准确性和鲁棒性得到提高。