基于视频图像的目标自动检测与跟踪技术是世界各国精确打击武器系统急需解决的重要难题,也是计算机视觉领域的研究热点。Mean-shift算法是一种非参数的密度梯度估计算法,最初被用于模式识别领域中的聚类分析,近年来在目标跟踪等领域得到了广泛应用。Mean-shift跟踪算法的前期目标捕获阶段,需要靠人工辅助或其他方法来实现。论文采用改进累积差异图像法进行运动目标的粗定位,可以消除缓慢变化背景对目标提取的影响;然后采用双门直方图图像分割法准确获取目标的大小与位置,有效克服了传统方法中对纹理复杂或灰度与背景相近的目标无法完整分割的困难。论文重点研究了影响mean-shift跟踪算法性能的几个主要因素:首先,是目标模板的选择问题,其直接关系到算法的收敛速度和定位准确度,笔者采用抑制背景直方图作为目标模板,采用中心加权直方图作为候选目标特征,不仅加快了收敛速度,而且具有较强的抗干扰能力。第二,是核函数带宽更新问题,对尺度变化较大的运动目标,只有使核函数带宽保持与目标尺度相吻合才能长期准确跟踪目标,对此笔者使用边缘加权直方图与模板抑制背景直方图计算Bhattacharyya系数,根据其大小变化反映出目标尺度的变化特征,结合试探法,对核函数带宽进行更新,有效的实现了对不断放大或缩小目标的准确跟踪。第三,是模板更新问题,要求模板能够及时反映目标的最新特征,同时又要保留某些固有特征,笔者通过相邻Bhattacharyya系数变化大小的方法,实现了对目标模板的有效更新。第四,是目标位置预测与抗遮挡问题,一个好的预测机制可以大大减少mean-shift算法的迭代时间,同时对于高速运动的目标以及目标受到遮挡的情况,也可以通过合理的预测机制来解决,笔者根据Bhattacharyya系数值检测目标是否被遮挡,同时采用线性预测机制实现对目标的稳定跟踪。笔者以专用DSP处理器DM642为核心,开发了一个嵌入式视频处理硬件平台,并在上面进行mean-shift跟踪算法的移植,经过优化调试与试验,最终实现一个小型化的光电跟踪系统。