得益于科学技术尤其是计算机技术的飞速发展,机器视觉成为当前科学研究中最有挑战性的热门课题之一。作为机器视觉的一个重要分支,目标跟踪在国防军事、智能交通和生活安防等众多领域得到广泛的应用。目标跟踪即利用图像识别技术根据目标区别于背景的特征将目标从图像中自动识别出来并进行定位。在实际的目标跟踪过程中,由于目标特征的多样性、运动速度的不确定性和跟踪背景的复杂性等因素的影响,往往无法精确跟踪目标,导致跟踪失败。尤其是目标跟踪场景越来越趋于复杂化,针对单一化背景的跟踪技术已经无法满足现实需求,这对跟踪技术的应用推广和普及造成了很大掣肘。因此,提高系统的稳定性和实时性,对其推广应用意义重大。理论上可以从硬件和软件两方面提高跟踪系统的性能,如硬件方面可以采用更高性能的处理器,软件方面可以对目标跟踪算法进行改进。由于核心技术瓶颈和成本问题,通过革新硬件提高跟踪系统性能在现实中受到诸多限制,短时间内很难在众多领域普及应用,而通过改进和优化软件的方法提高系统的稳定性和实时性具有涉及范围小、易于实现的优势。在实际目标跟踪过程中,遮挡问题是不可避免且对算法实用性限制较为严重的问题。随着运动目标被遮挡部分逐渐变化,其特征会发生不同程度的变化,容易导致目标跟踪失败。另外,当目标运动速度过高时,由于算法的复杂度不同,会导致跟踪出现一定程度的滞后和偏差。本文主要研究目标跟踪算法中对遮挡问题的解决方法。首先介绍了各种传统目标跟踪算法的原理和方法,对应用较为广泛的Mean Shift算法进行了深入分析并引出了几种基于Mean Shift的改进算法,且进行了仿真实验分析。通过对现有的目标跟踪算法进行研究,提出了引入神经网络进行位置预测的方法。通过对几种神经网络的比较,选择了极限学习机(ELM)进行位置预测。极限学习机结构简单且学习能力和速度都强于传统神经网络,具有很大优势。本文基于此提出ELM与Mean Shift相结合的抗遮挡目标跟踪算法。该算法借助于ELM根据过去3个时刻目标的位置信息预测出目标在下一帧的可能位置,并以预测结果作为均值漂移迭代起始点进行迭代,最终漂移到目标在当前帧的真实位置。实验结果表明,与现有的改进算法相比,本文提出的算法减少了运算时间,同时在遮挡情况下能够准确定位目标位置并进行跟踪,提高了跟踪系统的实时性和稳定性。