运动目标的跟踪就是在一个连续视频序列中,对于每一帧画面找到必要的运动目标。轨迹聚类则是通过对目标跟踪获取的目标的运动轨迹进行聚类。运动目标的跟踪以及运动目标轨迹的聚类都是场景分析和行为理解的基础,同时也是计算机视觉的一个重要的研究领域。虽然国内外很多学者对目标跟踪和运动轨迹的分析做了大量的研究,但仍然有很多问题没有解决,如复杂场景中目标遮挡,光照变化时跟踪的稳定性问题和轨迹聚类的耗时问题等。本文围绕复杂场景光照变化或存在遮挡时的运动目标跟踪及车辆轨迹聚类和分析问题进行研究,具体研究内容和成果如下:1、讨论和分析了目标跟踪的经典算法mean shift算法和扩展的mean shift算法的原理和性质,并对简单背景情况下基于mean shift的目标跟踪进行了实验和分析。2、针对目标跟踪中RGB颜色特征受光照影响较大以及mean shift算法在某些干扰或存在遮挡的情况下跟踪效果不准确的情况,提出一种基于HSV颜色空间的光照不变色度(Hue)分量的颜色特征以及一种基于mean shift算法的改进算法。本文先采用H色度分量颜色特征作为光照不变的特征,其次把跟踪窗口进行分块,各个子块再用改进后的mean shift算法进行跟踪,最后用匹配度最大的子块加权决定目标的位置。3、针对基本为直线运动的车辆轨迹的聚类问题,提出了一种融合多特征的轨迹聚类方法,并赋予各个特征不同的权值,提高轨迹聚类的速度。本文采用车辆运动的平均速度,矢量距离,轨迹的中心位置,以及运动物体轨迹的初始加速度,速度这四种特征信息,赋于不同权值,并利用Mean shift算法进行轨迹聚类,在此基础之上对异常轨迹进行判断。