随着计算视觉技术在各方面的应用越来广泛,大量的研究人员纷纷加入到了这个领域的研究之中。而目标跟踪技术作为其中的一个分支也越来越受到人们的重视,因为其无论在军事上还是在民用上都有着相当大的实用价值。本文主要针对近些年来得到广泛关注的基于均值平移的目标跟踪算法进行了深入的研究,并在前人工作的基础之上提出了自己的一些想法,本文的主要工作包括如下几方面:首先,分析了目前基于均值平移的目标跟踪方法所存在的问题,主要包括目标的尺度变化、快速运动和特征选择等。针对这类方法在解决目标尺度变化时所面临的问题,深入研究相关的研究成果,提出了一种改进的带宽矩阵更新方法,并且增加了一个简单的参数滤波方法以平滑带宽参数的估计。通过实验表明,由于对带宽矩阵的更新增加了轮廓函数的限制和带宽参数的平滑滤波,该方法在目标的尺度、位置和方向发生变化的情况下,具有较好的鲁棒性,并且计算简单易于实现实时跟踪。其次,针对传统的基于均值平移的目标跟踪算法里面目标的快速移动以及尺度变化往往会使跟踪方法失效的问题,结合基于SURF匹配定位的方法提出了一种新的均值平移算法。算法利用均值平移方法预测下一帧目标的大概位置,然后在以这点为中心的一个邻域内做基于SURF的特征匹配,用匹配结果建立相邻帧目标中相应特征点的仿射变换,计算得出目标的变换参数和实际位置。基于均值平移的预测方法缩小了SURF的提取和匹配范围,降低了运算复杂度,减少了误匹配的特征点;反过来基于SURF的特征匹配为均值平移方法的参数更新提供了一个很好的解决方案。另外,为了使得匹配速度更好,引入了一种改进的特征匹配方法,一定程度上提高了算法的整体效率。最后,为了解决目标跟踪算法中的初始值需要手工设定的问题,引入了基于多分辨率有监督物体检测算法进行目标的自动定位,结合基于均值平移的目标跟踪方法完成了目标跟踪的整个流程。同时引入梯度方向直方图特征,重新对待跟踪物体进行建模,一定程度上对光照等条件变化的情况给了一个解决方案,增强了基于均值平移的目标跟踪算法的鲁棒性。