目标跟踪是计算机视觉的一个重要分支,它在视频监控、智能交通、人机交互、军事侦察和机器人视觉导航等领域中已得到广泛的应用,其目的是通过一定的相似性度量和匹配搜索算法实现目标的跟踪和定位。尽管经过多年的研究,已经提出了许多目标跟踪算法,但是在目标跟踪技术中仍然存在当运动目标出现尺度变化、严重遮挡、旋转和快速运动等复杂情况而导致跟踪性能变差的问题。因此,本文在现有研究的基础上,将Mean Shift和SIFT算法结合起来,同时为了降低背景或噪声给特征提取的影响,引入了特征库动态更新策略,提出了一种基于特征库动态更新的Mean Shift和SIFT特征匹配相结合的目标跟踪方法。首先,本文研究了目标跟踪中的经典算法Mean Shift算法,而后研究了目标跟踪中较为热门的Kalman滤波以及在目标跟踪中的应用。由于Mean Shift算法在处理跟踪时以目标区域和候选目标区域的颜色直方图为基础对其进行建模的,并且在跟踪过程中Mean Shift算法的核函数窗口大小保持定值,因此当运动目标在跟踪过程中出现较大尺度变化或者突然加速运动时,仅仅采用Mean Shift算法无法有效地跟踪上目标。为了克服运动目标在发生快速运动时能够较好的跟踪上目标,本文还研究了将二者结合起来的目标跟踪方法。其次,本文还概述了各种常用的点特征检测算法。由于SIFT特征具有尺度、旋转、仿射变换及光照变化的不变性,对噪声抗性好,适用于快速准确的特征匹配。因此,本文还研究了基于SIFT特征的目标跟踪算法。该算法在一定程度上可以应对目标因尺度变换、光照、部分遮挡和噪声等对运动目标跟踪的影响。但是当运动目标出现严重遮挡或者候选目标区域中检测到的特征点较少时,该算法可能会出现跟踪误差大甚至无法跟踪目标的问题。因此,为了在这些复杂的情况下仍可得到较好的跟踪结果,本文提出了一种将二者有效结合起来的目标跟踪方法。最后,本文深入研究了基于Mean Shift和SIFT特征匹配相结合的目标跟踪方法。与传统目标跟踪算法相比,该算法的优点是首先,通过SIFT特征匹配进行初始定位,克服旋转、缩放、遮挡等对目标跟踪的影响,然后利用Mean Shift精确定位,提高目标定位精度;其次,为了保证特征提取与特征匹配的稳定性,该算法还采用了特征库动态更新的SIFT特征匹配,大大提高了匹配的精度;最后,通过计算目标的遮挡因子来确定目标的跟踪模式,如果遮挡因子大于阈值则进入遮挡跟踪模式,否则对模板和特征库进行更新,进入下一帧的跟踪。实验结果表明,该方法对目标的遮挡、快速运动及尺度变化等均具有较强的跟踪适应性。