随着计算机技术的飞速发展,图像处理和计算能力得到了极大提高,计算机视觉也取得了较快的发展。视觉目标跟踪技术是计算机视觉领域的重点问题。目前虽然专家学者已经研究了很长时间,并取得丰硕的研究成果,但是由于目标受遮挡、光照强度变化、目标旋转等干扰因素的影响,目标跟踪问题依然面临着各种挑战。如何设计鲁棒性强的目标跟踪算法来处理各种挑战仍是亟待解决的问题。本文主要研究基于MeanShift的目标跟踪算法,其在图像处理领域应用广泛,是目标跟踪的基本算法之一。MeanShift算法是半自动算法,需要手动在初始帧中选取目标。然后对目标区域的像素值进行概率统计,再对后续帧迭代搜索进行同样的概率密度统计并与目标模板进行对比,当选定的相似系数满足所设定的阈值或者迭代次数达到上限时停止搜索并确定跟踪目标的位置。MeanShift算法具有复杂度低、计算量小、实时性好、不易受到光照影响等诸多优点,但是由于算法跟踪窗口固定、缺少必要的模板更新和预测机制,所以应用范围受到了局限。本文正是基于MeanShift算法跟踪窗口固定这一缺点进行了改进,跟踪窗口固定带来的两个问题就是:目标变大时会丢失描述信息,目标变小时则会混入过多的背景信息。由于算法本身只依靠目标图像的像素值概率密度作为描述特征,所以无论丢失部分信息或者混入过多的背景信息都会对待选模板的特征描述造成极大的影响,最后导致跟踪失败。本文在经典MeanShift的基础上首先添加了椭圆对数极坐标变换算法对目标模板与待选模板进行极坐标变换,将目标的大小形变转化为极坐标轴的平移,得到最新的目标尺寸并对目标模板进行更新。在此基础上又添加了Kalman滤波算法,对目标的质心进行预测,使算法的空间定位更加准确。通过在不同环境下进行试验并与经典的尺度增减自适应算法以及Camshift算法进行对比,实验结果表明本文提出的算法能有效的改善目标尺寸自适应的问题,算法鲁棒性较强。