视频监控系统是安全防范系统的重要组成部分,智能视频监控系统能最大限度地减少人为干预,提高监控效率,减轻人的工作负担。运动目标的检测和跟踪技术是智能视频监控中的关键技术,因此目标跟踪技术在智能视频监控领域中有着广泛应用前景和实用价值。本文先总结了运动目标跟踪的研究背景、研究现状及在智能视频监控系统中应用的意义,概述运动物体的检测和跟踪的理论研究。讨论了Mean Shift算法及其在目标跟踪中的应用。通过实验得出以下结论：(1)采用Mean Shift算法跟踪目标时,当目标和背景的区分性大,目标特征明显,相邻两帧区域有一定程度的重叠,并且在目标区域中不出现相似干扰物时,可以获得最佳跟踪效果。(2) Mean Shift跟踪算法解决了序列帧中相邻两帧之间运动目标的匹配问题,减少了搜索的盲目性,提高了跟踪效率。(3)Mean Shift算法也存在不足：没有模板更新能力,跟踪框大小不能适应目标尺寸的变化；当目标快速运动时,相邻帧区域分离,帧间搜索范围变小,导致跟踪效果变差。当目标被遮挡时,目标模板发生变化,相邻两帧相关性减小,造成跟踪中目标特征信息不正确,导致跟踪效果变差。研究了Kalman滤波器目标跟踪算法。Kalman滤波器算法利用目标的运动参数对未来运动轨迹进行预测,不断加以修正,提高估计精度。实验证明该算法能够自适应的调整跟踪窗口的大小,当目标被遮挡时,具有良好的跟踪性能。研究了一种改进的Mean Shift跟踪算法,克服了Mean Shift算法跟踪较快运动目标,或遇到遮挡时容易丢失目标的缺陷。该算法将Kalman滤波器的优势引入到Mean Shift算法中,用Kalman滤波器对目标位置进行预测,用Mean Shift算法在预测值邻域内搜索。该改进算法提高了Mean Shift跟踪算法对不同跟踪场合的适应能力,具有较好稳定性和鲁棒性。研究了CamShift目标跟踪算法,改善了Mean Shift算法在跟踪中目标姿态发生变化、遮挡或光照变化时跟踪效果较差的不足。该算法采用HSV空间中的H分量的颜色直方图作为目标模型,并用几何矩来提取图像特征,在监视目标旋转、遮挡以及监视环境亮度改变时,也具有较好的鲁棒性。