视觉目标跟踪是计算机视觉中最活跃的研究内容之一，其在无人机侦察、机器人自动控制、汽车自动驾驶等方面有着重要意义。在相机拍摄过程中，相机和感兴趣目标的运动不确定性，相机内部参数的任意性，以及拍摄环境的复杂多变性，都对视频中的目标在线实时准确跟踪算法提出了重重挑战。由于拍摄主体对被摄物体分辨率精度的要求，相机视场发生变化的情况非常普遍，使得目标在相机视野中的尺度发生大范围缩放变化，以及随之发生外观变化和大位移运动。国内外研究者当前还未针对相机视场变化情况下的目标跟踪进行系统性地研究，现有跟踪算法在这种情况下的准确性、稳定性和效率存在很多问题，难以满足实际应用需求。本文系统性地针对相机在两种变视场情况下的视觉目标跟踪和定位方法展开深入研究，主要工作包括:　　(1)针对相机视场渐变情况下的目标实时跟踪问题，提出了一种基于Mean Shift与帧间局部特征快速匹配的尺度适应性目标跟踪算法。相机视场渐变情况下，目标的尺度和位移在连续帧间发生平缓变化。所提方法通过帧间目标的局部特征匹配来解算帧间仿射变换模型，获得目标在帧间的尺度缩放系数。将该尺度计算结果融入Mean Shift定位算法后，加入尺度估计的调整策略，能使其在跟踪时准确估计目标的尺度。由于使用快速的FAST角点检测以及LHOG描述方法进行局部特征提取，算法计算效率较高。实验表明，该算法能快速、准确地定位目标，并很好地进行目标尺度估计。　　(2)提出了基于前景占有比率不变性的Mean Shift算法，在相机视场渐变情况下进行实时目标跟踪。文中提出了图像的前景占有比率(FOR)的概念，并总结了其具有的四个简单性质。根据局部图像FOR在帧间的不变性，可以获得帧间前景目标的粗尺度缩放系数;加入合适的尺度修正及调整策略后，可以得到前景目标的精尺度。将之应用到Mean Shift跟踪算法中，使其能在多种环境下均能准确定位目标，同时很好地估计目标尺度大小，并达到实时跟踪的要求。相比(1)中方法，其在目标局部特征难以被提取的条件下同样适用。　　(3)针对相机视场切变处的目标锁定问题，提出了一种基于级联Mean Shift算法的目标定位器。在相机视场切变处，目标的尺度和位置都发生了较大变化。为解决这种情况下的目标定位问题，所提方法根据这种特殊应用中的先验信息将切变后帧进行下采样处理，并在处理后的图像中使用多核窗Mean Shift定位器级联定位方式来求取大位移变化下目标的准确位置。该方法同时使用了背景加权直方图建模以及权值改进技术，使得目标的定位更为快速准确。此外，方法根据获取到的候选目标与切变前帧中目标模型的相似性，来确认目标是否已消失于切变后帧中。实验表明，该方法能够有效地处理目标在视场切变处发生的大位移变化，快速准确地定位切变后帧中的目标。　　(4)针对相机视场切变后目标消失于相机视野中，需要进行相机回切来重新定位原目标的情况，提出了一种基于自适应前景占有比率的目标定位器来实现目标重定位。这种情况中，目标在相机回切后帧中的位置相对于切变前帧发生了剧烈变化。所提方法首先通过评估切变前帧中局部图像区域的FOR值来自适应地获得分割前景目标与背景的最佳阈值，保留目标的鲁棒特征;然后用该阈值得到回切后帧的前景像素图，利用切变前帧中获得的局部FOR值的不变性在该图中进行全局搜索，获得候选目标位置;最后通过位置聚类以及相似性判断，获得目标最终位置。实验表明，该方法在帧间目标发生剧烈位移变化的情况下，也能快速准确地获取目标位置，从而有效地解决相机视场回切后目标的重定位问题。