运动目标跟踪属于计算机视觉中的低层研究范畴,是一种能从图像信号中实时提取目标位置、自动跟踪运动目标的技术,它为事件监测、行为理解和描述等高级处理提供有价值的信息,在智能监控、人机交互、图像压缩、三维重构等方面有着非常广泛的应用。目标跟踪要求满足准确性、鲁棒性和实时性, Mean Shift算法是一种利用统计学中非参数密度估计技术,快速有效地沿着密度梯度方向爬升到密度的极大值点的方法,将其应用于目标跟踪算法具有简洁实用、能够处理边缘噪声、干扰物体及部分遮挡等复杂情形的优点,算法高效且易于模块化实现。本文介绍了Mean Shift算法,对算法进行了详细地推导和算法收敛性证明,介绍了传统基于Mean Shift的目标跟踪算法,指出其优缺点,并有针对性地对其缺陷做了以下改进:一、将Mean Shift和Kalman滤波相结合,Kalman滤波预测目标在本帧的可能位置,Mean Shift算法在该位置领域内搜索,有效地解决了传统Mean Shift算法不能跟踪快速移动目标的缺陷,而且对遮挡问题也有很好的处理。二、将Mean Shift和目标检测算法相结合,目标检测算法可在复杂的背景中提取运动目标所在区域,为Mean Shift算法提供目标大小信息,从而实现Mean Shift的模板与核带宽的自适应更新。三、对目标检测及阴影检测算法进行了深入研究,不仅对非参数背景进行改进,使其实现时大大节约动态内存,还提出一种自适应的阴影抑制算法,使阴影检测适用于各种不同场景。本文在VC++6.0编程环境下,应用OpenCV库对关键技术进行了实现。实验表明,本文算法对目标跟踪效果好、运算快速、稳定。