目标追踪技术是计算机视觉研究领域中比较活跃的课题之一。随着计算机软硬件的发展,目标追踪技术已经在多个领域得到了应用,相关的算法研究日益深入。粒子滤波追踪算法作为一种基于贝叶斯估计的算法,采用多假设的估计方法,在处理非线性运动目标追踪问题上具有特殊的优势。粒子滤波的随机特性使之能避免陷入局部极优,但是为了提高样本的估计的准确度,必须设置大量数目的粒子,带来巨大的计算量,这样粒子滤波的实时性就很不尽人意。本文将确定性跟踪器Mean-shift引入粒子滤波的框架中,提出了一种新的基于粒子滤波和Mean-shift的混合追踪算法(KMSEPF)。状态接近的粒子经过确定性搜索之后大多会移到相同的匹配峰值,所以对每个粒子都进行确定性搜索是没有必要的。为了克服以上缺点,KMSEPF算法对一般的Mean-shift和粒子滤波混合算法进行了改进。该算法首先利用聚类算法给多假设聚类,然后对聚类中心进行Mean-shift确定性搜索。这样,降低了对同特性的粒子的重复处理,在低计算复杂度的情况下仍能够很好地搜索到后验峰值。实验表明,KMSEPF算法与其它Mean-shift和粒子滤波混合算法相比,同样拥有较高的精确性和处理遮挡的能力,并且提高了计算效率。文中还验证了一种自适应粒子滤波算法,该算法引入自适应性在线外观模型和自适应性运动模型,能更有效地处理追踪过程中目标外观变化、背景有遮挡等问题;同时该算法采用根据追踪误差自适应变化粒子数目的机制,提高了粒子的利用率,使计算量得到了降低。