运动目标跟踪涉及到计算机图像处理、视频图像处理、模式识别以及人工智能等诸多领域,是一门交叉性很强的学科。被跟踪目标本身特征的多样性、所处环境的复杂性和跟踪过程中的遮挡问题,都构成了限制跟踪算法鲁棒性的关键因素。因此,研究一种实时性、鲁棒性好的运动目标跟踪方法依然是该领域面临的一个巨大挑战。本文首先研究了传统的基于MeanShift算法的目标跟踪问题,通过实验证实了MeanShift算法在背景复杂、遮挡等情况下可能发生的跟踪失败现象。在此基础上提出了改进的MeanShift算法,即:通过计算跟踪目标区域内每个颜色的质心位置来确定候选目标模板中心点的位置。相比于传统MeanShift算法而言,改进后的MeanShift算法包含了目标区域颜色分布的空间信息,改善了传统MeanShift算法中丢失像素点所在空间位置信息的不足。其次,针对遮挡情况下的目标跟踪问题进行研究。使用选择性子模型更新策略,将特征模型中的每个分量作为单独个体,并基于每个分量的匹配贡献度,分别选择当前帧中需要更新的子模型分量及其更新权值进行更新以提高其跟踪过程的鲁棒性。并将改进后的MeanShift算法与子模板更新策略相结合,有效解决了遮挡情况下可能出现的跟踪失败问题,提高了算法的鲁棒性。