视频序列中的目标跟踪技术是指在一段视频序列中寻找与指定目标最相似的部分,是计算机视觉领域的一个重要内容。目标跟踪技术在军事、航天、监控、生物医学和机器人技术等多种领域都有广泛应用,近年来得到了快速的发展。为解决目标跟踪技术中的各种难题,学者们提出了众多的跟踪算法,其中的Mean Shift算法以其原理简单,实时性好,易于实现等特点而成为一种主要的跟踪算法。本文以Mean Shift目标跟踪算法为主要研究对象进行研究。Mean Shift算法是一种基于特征概率密度统计的建模方法,在跟踪过程中,首先用户要在视频序列的第一帧中选定感兴趣的目标区域,并对目标区域建立目标模型;然后根据Bhattacharyya相似度,在后续帧中迭代寻找与目标模型最相似的候选模型。Mean Shift算法具有良好的跟踪性能,但是当视频序列中目标和背景较难区分、目标运动较快时,标准的Mean Shift算法无法有效的区分目标与背景,从而导致跟踪出现偏差,甚至丢失目标。针对标准Mean Shift算法的上述缺点,本文提出一种基于Graph Cuts图像分割的Mean Shift目标跟踪算法。Graph Cuts图像分割算法将图论中的最大流最小割定理应用于图像分割技术中,具有速度快、精度高等优点。新算法将图像分割应用于目标跟踪过程中,对于目标与背景较为相似的视频序列,能够有效的将目标与背景分离,使得目标模型与候选模型的统计更加精确,从而使跟踪结果更为准确。本文通过实验对标准Mean Shift算法和新算法进行了实验分析和比较,实验结果证明,新算法对于目标与背景较为相似以及目标运动较快的视频序列都显示出了良好的鲁棒性。