基于视频图像的运动目标跟踪是计算机视觉的热点研究方向,在科学研究、工程应用和生产生活中都具有重要的研究价值,其研究成果可以应用于智能人机交互、医疗诊断、机器人、智能交通及安全监控等领域中。Mean Shift算法是一种沿着概率密度梯度方向寻找稳态点的快速而有效的方法,已经成为视频目标跟踪方法的重要研究内容。本文主要研究基于Mean Shift的视频目标跟踪算法,跟踪对象为视频图像中感兴趣目标物体。文中在总结和分析已有算法基础上提出了三种改进的跟踪算法：基于颜色和边缘特征CAM Shift(Continuously Adaptive Mean Shift)目标跟踪算法、带宽自适应Mean Shift目标跟踪算法、多特征带宽自适应Mean Shift目标跟踪算法。算法不但能够准确的估计目标位置,还能够估计目标大小和姿态方向。文中主要研究内容和成果如下：1.连续自适应均值漂移(CAM Shift)目标跟踪算法容易受到相似背景颜色干扰和光照变化影响,针对此问题,提出了一种改进的CAM Shift目标跟踪算法,此算法的目标模型由RGB颜色空间各通道等分加权后建立直方图获得,考虑到颜色易受光照变化等影响,采用目标边缘特征增加目标权重。首先均匀量化颜色空间获得特征值,并引入空间信息,建立核函数概率密度估计的目标模型；然后用Sobel算子检测目标边缘,分别赋予边缘和颜色不同的权重投影生成联合概率密度分布图；最后运用CAM Shift算法寻找目标。实验验证了此算法可以在一定光照变化和大面积相似背景颜色干扰下稳定有效跟踪多颜色目标。2.传统均值漂移(Mean Shift)目标跟踪算法中核函数带宽缺乏良好的自适应调整性能,针对此缺点,提出了一种通过计算最优目标位置区域内概率密度零阶矩,从而自适应调整核函数带宽的Mean Shift目标跟踪算法。首先将目标特征概率在最优位置区域投影生成概率密度分布图,然后计算目标区域内概率密度零阶矩,通过零阶矩的大小调整跟踪窗口大小和核函数带宽。用椭圆锁定目标,椭圆参数由概率密度矩运算获得。此算法实现了复杂背景下运动目标空间位置、尺度和方向估计,通过人脸和车辆跟踪实验验证了此算法的有效性,在目标缩放锁定、姿态估计方面较传统Mean Shift目标跟踪算法具有更强的优越性,在相似颜色干扰下较CAM Shift算法具有更好的鲁棒性。3.给出了一种综合颜色和纹理特征的带宽自适应Mean Shift目标跟踪算法,该算法用颜色和纹理信息创建目标特征模型,在最优目标位置区域用多特征目标模型投影生成概率密度分布图,通过计算分布图中密度块的长度和宽度,对下一帧跟踪窗口的尺度进行调整,从而实现核函数带宽的自适应调整。用椭圆锁定目标,椭圆参数由最优目标位置区域概率密度的矩运算获得。该算法可以在复杂环境下进行目标的位置、尺度和方向估计。