基于视频的运动目标跟踪一直是计算机视觉领域的研究热点,它融合了图像处理、模式识别以及计算机应用等相关先进技术,在公共安全、军事制导、交通监控等方面得到了越来越广泛的应用。运动目标跟踪算法的性能对跟踪效果有着直接影响,研究人员通过对该领域的不断探索,提出了许多目标跟踪算法,但是在面对复杂的跟踪环境时,其效果还不尽如意。本文主要针对复杂背景下算法跟踪效率低、鲁棒性差的问题,对视频目标跟踪算法进行改进。主要工作如下:(1)针对传统基于颜色特征的粒子滤波算法特征单一的问题,本文提出了结合颜色特征和深度特征的高维特征模型,颜色特征提取的是目标的表面颜色特征,而深度特征提取的是目标的空间信息特征,两种特征相结合更准确地表示了目标的信息,解决了目标特征单一性问题。实验证明,在面对光照变化、遮挡等复杂的跟踪环境时,其有效地提高了粒子滤波跟踪算法的鲁棒性。(2)通过对传统的Mean Shift算法和粒子滤波算法的分析,确定了本文基于Mean Shift和粒子滤波算法相结合的跟踪框架。粒子滤波器通过Mean Shift方法对后验密度函数连续逼近,利用梯度信息重新产生粒子,使更多的粒子位于后验密度的高概率分布区域,从而减少粒子数量和计算复杂性,有效地提高了粒子滤波算法的跟踪效率,提高了跟踪的实时性。(3)提出了基于颜色和深度特征的Mean Shift粒子滤波视频目标跟踪算法,采用颜色特征和深度特征相结合的方式,更加有效地粗定位了动态目标的位置,然后利用Mean Shift的聚类作用,提高了粒子的采样效率。最后通过对目标跟踪算法进行仿真实验可知,该算法在跟踪精度和跟踪效率上相对于传统的粒子滤波和Mean Shift算法都有一定的提高。本文所提出的跟踪方法既保证了光照变化、遮挡、快速运动以及尺度变化等复杂背景下的跟踪精度,又减少了粒子滤波算法的计算量,与传统的单一特征的Mean Shift算法和粒子滤波目标跟踪算法相比,本文方法适用场景更广,是一种兼顾精度与效率的跟踪算法。