随着智能交通的快速发展,视频监控系统作为重要组成部分也受到了很大的重视。近年来,计算机技术的不断更新,以及数字图像处理技术的不断成熟,为视频监控系统的设计提供了有力的技术支持,视频的目标跟踪识别作为视频监控的核心正是当前十分热门的研究课题之一。视频监控有着广泛的用途,如水下探测,超市视频监控,汽车导航,交通视频监控等。视频目标跟踪技术融合了多个领域的先进知识,包括计算机,图像处理,通信,跟踪算法研究等,应用前景十分广阔。设计滤波器是视频跟踪的核心环节,是指从受噪声干扰的环境中恢复(寻找)真实的数据或者模型等信息,这些信息能反映系统的真实状况。本文第二部分从论述线性滤波的基本原理开始,介绍了卡尔曼滤波器的设计及其发展,它在通信与信号处理中应用十分广泛,在去噪、消除干扰等领域有着不可替代的作用。但是,在视频的目标跟踪上卡尔曼滤波器不如Mean Shift算法适用,Mean Shift算法是基于无参密度估计的,在动态的视频目标跟踪上具有较好的适应性,本文以Mean Shift算法为重点描述其在视频目标跟踪上的应用。本文在第三部分详细阐述了多维空间上的Mean Shift推导过程及其算法的收敛性,把Mean Shift从二维平面空间扩展到多维空间,同时对核宽给出了一个普遍的概念,在设计程序时可根据实际需要选择合适的方法,这样扩展了算法的应用范围。第四部分在概述粒子滤波原理的基础上,设计了粒子滤波器,并与Mean Shift跟踪做了对比试验,试验在同等的条件下完成,结果表明Mean Shift算法在视频目标跟踪上的具有明显的优势。本文在第五部分针对Mean Shift算法的核带宽不变的特点对可变尺寸目标的跟踪的缺陷,利用Lindeberg理论在尺度空间上改进Mean Shift算法,并设计了尺度空间可变运动目标的自适应跟踪算法。根据Lindeberg理论,在尺度空间上设计一个阴影核,并根据阴影函数与核函数的关系推导出Mean Shift核函数,最后计算Mean Shift补偿向量。在运算中,通过设定位置去迭代合适的尺度,再通过设定尺度去寻找目标的真实位置。实验表明在与不变尺度的原始算法相比,改进Mean Shift算法能更好地适应目标可变尺度的实时跟踪。