视频跟踪一直以来都是人工智能、计算机视觉、图像处理等领域的研究热点之一,有着非常广阔的应用前景。目前该技术在交通监视、医学诊断以及人机交互、虚拟现实等诸多领域都有重要的应用价值。但由于视频跟踪不同于静物识别,其场景变化多端,比如,跟踪目标颜色与背景颜色相近、目标尺度缩放以及旋转、遮挡、光照变化等等,都会导致视频跟踪过程变得更加复杂和不稳定。尽管多年以来诸多研究者提出各种跟踪算法或对现有算法进行了改进,但目前还没发现任何算法能同时实现较好的实时性和鲁棒性,所以复杂条件下准确跟踪目标仍然是一个挑战,具有极大的研究意义。Camshift算法是一种利用目标颜色特征来进行视频跟踪的算法。该算法实时性较好,对背景颜色与目标颜色不同的视频序列跟踪效果较优越。然而,在诸如目标被遮挡或出现类似的背景颜色干扰或光照变化之类的复杂场景中,限制非常大,容易引起目标跟踪丢失的问题。为了提高视频跟踪的效率,增强该算法在复杂场景下的抗干扰性和稳定性,本文首先针对Camshift算法的不足之处做了一些改进:第一,引入纹理特征与颜色特征融合;第二,提出了一种Kalman预测机制,对下一帧目标所处位置进行预测,并把预测的目标位置作为下一帧的初始搜索窗口,以减少算法的迭代次数;第三,对模板进行适时更新。然后在改进的Camshift算法的基础之上,又提出了一种新的视频跟踪算法。首先,利用高斯核函数对目标区域加权,这样目标中心位置的权重与其它位置不同,能防止其它位置的干扰,提高算法抗噪能力;最后,为了能准确跟踪运动中的目标,当发生遮挡时,本文把kalman滤波器预测的位置作为观测值。实验证明本文提出算法在复杂条件下也有较强的鲁棒性。