随着人工智能、模式识别、数字图像处理等领域的日益快速发展,以及天网工程的逐步实施,智能视频监控技术已经成为人们关注的热点,并逐步发展为一门应用广泛的技术。视频中人脸区域的自动检测和跟踪是智能监控系统的关键技术之一,随着研究的深入,学者们提出了很多目标跟踪算法。而在实际应用中,如果跟踪过程环境光线变化较大,尤其是出现侧光情况时,容易导致人脸区域跟踪不准确或失败,而复杂的光照均衡算法往往无法保障跟踪的实时性。因此,本文研究了复杂光照条件下人脸区域的实时跟踪方法,具体如下：首先研究了视频第一帧中人脸区域自动检测算法。提出了基于自适应平滑滤波的Retinex光照归一化算法,消除了人脸图像中光照对人脸部各个器官的影响。真实反映了人脸部器官的原本特征,该算法有效地降低了光照对人眼定位的影响。然后根据人脸部几何位置的先验知识给出人眼位置的判定准则,在粗估计出图像中人眼分割阈值区间和自动调整分割阈值后,确定双眼黑块的位置。最后根据双眼的位置找到图像中人脸的位置。由于上述预处理方法的处理时间无法满足视频跟踪实时性的要求,本文提出了一种基于图像的局部自适应gamma校正方法,用于处理除首帧以外的视频后续帧的光照不均匀性,并能满足视频跟踪实时性的要求。该方法在未知图像光照情况下,自适应的对图像进行灰度校正。在该方法中,首先提取目标图像的灰度特征向量,与样本库中的图像的特征向量进行对比,选出与该目标图像特征最为相似的图像库图像,然后用图像库图像已知的gamma值,对图像做反gamma校正,从而达到消除光照影响的目的。实验结果表明使用这种方式对光照不均匀的视频序列进行预处理,能很好的改变视频序列的光照情况,减少光照影响。为了实时跟踪第一帧检测到的人脸图像区域,本文提出了基于特征融合的均值漂移人脸跟踪算法,将提取的颜色直方图与边缘方向直方图特征相结合。传统的Mean Shift算法是一种基于图像梯度得无参密度估计算法,在确定首帧中的跟踪目标区域后,使用颜色直方图对目标区域以及目标候选区域进行建模,并使用巴氏相似函数,对目标模型与目标候选模型进行相似性度量,最后使用迭代的方式找到目标的最佳候选区。但由于光照的不均匀性,对视频序列进行预处理后,会导致颜色直方图无法很好的表达目标特征。最后,对本文提出的特征融合的Mean Shift跟踪算法的性能进行验证。并与经典的Mean Shift算法的实验效果进行比对。实验中采用了在自然光与照明光照情况下拍摄的光照不均匀的两组视频序列,结果表明,特征融合的Mean Shift算法在光照复杂不均匀的视频中,比经典的Mean Shift算法能更为准确的跟踪目标。