均值移动算法是一种迭代算法,在图像处理和计算机视觉中得到广泛的应用,但其理论分析仍然存在一定的不足。本课题完善了均值移动算法的理论证明,研究其在图像平滑、分割和目标跟踪中的应用。本论文完成的主要工作如下:针对以往文献对均值移动算法密度函数分析的不足,讨论了轮廓函数k(x)与以x为自变量的核函数k(?)之间的凹凸性关系,以及核函数k(?)与密度函数f(x)之间的凹凸性关系。比较分析了均值移动算法两种运动方式的迭代时间长短和步数多少。根据柯西收敛定理更好的证明了均值移动算法的收敛性。提出并证明了同窗内均值移动矢量间的夹角不大于90度等。总结了均值移动步长为牛顿步长、高斯-牛顿步长或其它非线性步长的条件;讨论了均值移动点在运动方向上取密度极大值的位置;分析了均值移动函数在其收敛点处密度一阶导数为零的充要条件等;研究了均值移动算法在图像平滑、分割和运动目标跟踪中的应用,针对图像平滑,提出了基于柱状HSV空间的均值移动图像平滑算法;分析了基于柱状HSV空间的多幅同场景图像的最优组合方法;通过实验比较分析了在不同颜色步长和空间步长情况下的图像平滑效果。针对图像分割,提出了根据当前帧图像边缘(由均值移动算法求出)和差分优化模板相结合的当前帧运动目标分割算法。针对目标跟踪,提出了双窗特征提取算法和基于像素分量的目标特征更新算法,以及跟踪窗自适应旋转和缩放算法。