基于视频的运动目标跟踪长期以来都是计算机视觉、图像处理和模式识别领域中一个非常重要和活跃的研究课题。近年来,它主要被应用于智能视频监控系统中。在智能视频监控系统中,对不同环境条件下的运动目标进行准确跟踪是视频跟踪研究的一个挑战,也是目前实际应用中一个亟待解决的难题。论文针对不同场景下运动目标的跟踪问题,以基于Mean Shift的运动目标跟踪算法为研究核心,主要工作如下:　　 介绍了基于视频的目标跟踪技术的研究现状,对各种基于视频的运动目标跟踪算法进行了分类并指出了各种目标跟踪算法的优缺点。讨论了基于视频的目标跟踪技术中目标跟踪特征的类型以及在不同跟踪算法中的应用,同时指出了这些特征所具有的优缺点。　　 阐述了Mean Shift算法原理及其在运动目标跟踪中的应用。在视觉跟踪中过程中,通常需要用户在视频序列的第一帧选定跟踪目标,并建立该目标的直方图。根据Bhattacharyya系数,Mean Shift算法在后续帧中迭代的搜索目标模型的最佳候选区域,该方法使Mean Shift算法在跟踪中表现出良好的性能,比如,实时性好,对部分遮挡、目标形变具有鲁棒性等。但当目标和背景过于相似,它们之间的可分性很差时,该建模方法就很难区分目标和背景,致使算法跟踪失败。　　 在Mean Shift跟踪算法中,一般采用归一化的加权颜色直方图作为目标模式的描述方式。归一化的颜色直方图是目标颜色概率密度分布的离散估计。由于颜色直方图描述的是目标整体的统计特征,并没有包含目标的空间信息,因此,采用对目标区域分块的方法,并分别计算每个分块的Bhattacharyya系数,然后选择Bhattacharyya系数最大的子块的中心位置来计算整个目标的中心位置,然后利用该位置来更新其它Bhattacharyya系数相对较小的子块的位置坐标。实验结果表明,该算法能够有效跟踪运动目标,具有很好的精确性和鲁棒性。　　 针对Mean Shift目标跟踪算法框架中只使用单一颜色特征表示跟踪目标的问题,该方法引入颜色和纹理综合直方图的目标建模方法代替单一的颜色直方图建模方法。又由于传统的Mean Shift目标跟踪算法,缺乏一种预测更新机制,在复杂的目标跟踪场景中进行跟踪,往往导致跟踪的失败的问题,引入Kalman滤波的方法,预测出运动目标在本帧中的大概位置点,将其作为Mean Shift迭代的起始点,然后用Mean Shift算法在该点的邻域内寻找目标的真实位置,即可解决运动目标的遮挡问题。试验证明该算法在运动目标姿态、光照及运动方向变化的情况下也能达到很好的跟踪效果,对遮挡也有很好的鲁棒性。