运动目标跟踪一直是模式识别领域中的一项重要研究课题,可以广泛应用于视频监控,人机交互,智能环境,视频压缩及军事领域等方面,其主要困难在于如何使算法在复杂的真实环境中有效的处理各种情况。目前,对于目标的遮挡,角度的变化,尺度的放缩,目标非刚体形变等问题,还没有一种较好的行之有效的通用解决方法。Mean-Shift是一种基于颜色的对目标实行快速跟踪的算法,但也正是由于它单纯依据颜色跟踪目标的特点,该算法无法对目标和背景颜色相近的情况进行有效跟踪,此外对于非单纯颜色目标和遮挡问题也都难以处理。SIFT算法是目前最为有效的特征提取算法,但算法本身复杂度高,运算量大,实时性较差,通常用于图像处理。根据两种方法各自的特点,本文提出一种新型运动目标跟踪算法,首次把改进的SIFT特征匹配与Mean-Shift方法结合起来,利用SIFT算法提取目标的有效特征,再综合地根据局部特征和颜色对目标进行可靠的跟踪。该算法通过矩形算子模拟计算高斯核函数卷积,提出逆向极值点判定规则,加速了极值点的检测,有效地提高了SIFT算法的速度。本文针对粒子滤波算法的样本枯竭问题,提出了全新的部分粒子随机化的改进方案,通过程序测试,改进后的粒子滤波算法大大降低了样本枯竭带来的后期误差。整个跟踪算法利用SIFT提取出的特征点作为Mean-Shift的参考点,计算目标区域中心,将两种方法有机地结合起来。测试结果表明,该算法能够有效地提高Mean-Shift算法的可靠性,同时仍能较大程度地保持其跟踪的高效性,基本符合实时性应用要求。