在当今的信息社会,计算机技术的飞速发展给我们的生活和工作带来了很大的方便。视频目标跟踪是基于计算机技术和信息技术的一门夸学科领域,其目的是在一段视频图像帧序列中寻找到与指定目标最相似的部分。在视频监控、人机界面、交通监视、军事等领域都有广泛应用。在学习和探索视频图像序列中运动目标跟踪这一问题的过程中,基于前人丰富的研究成果,在课题研究方面取得了一定的进展。由于跟踪环境和目标的复杂性,很难找到一个在所有情况下都可以实现目标跟的算法,因此各种算法层出不穷。本文着重研究了Mean Shift算法,还简单分析了Kalman滤波算法、粒子滤波算法,主要是这两种滤波算法的基本思想及其它们的优缺点。最后描述并验证了前人提出的一种运动目标跟踪算法,即一种基于角点的Mean Shift运动目标跟踪算法,该算法中采用的是Harris角点检测,我们在这简称该算法为Harris-Mean Shift算法。针对Harris-Mean Shift算法某些方面的不足,提出了改进的方法。均值漂移跟踪算法(Mean Shift跟踪算法)是一种基于特征概率密度统计的建模方法。在跟踪的过程中,通常通过在视频序列的第一帧中手动选定目标区域,并建立相对应的目标颜色直方图。根据巴氏相似性,Mean Shift算法在第一帧之后的图像序列帧中迭代地搜索与目标模型匹配的最佳候选区域。这种方法使得Mean Shift算法在目标跟踪中具有良好的性能,如：实时性好,能够较好地处理目标部分遮挡和目标形变。但是当目标和背景颜色过于相近时,就会使得目标和背景的可分性差,Mean Shift算法就难以区别目标和背景,导致该算法跟踪性能下降。Harris-Mean Shift算法就是为了解决上述提到的Mean Shift算法在背景与目标颜色较为相似时目标跟踪失败的问题,仿真结果表明,该跟踪算法能够很好地解决背景与目标颜色较为相似时目标跟踪失败的问题,但对于目标存在大比例遮挡时跟踪效果很不理想的问题还有待进行改进。基于上述情况,本文提出了融合Harris-Mean Shift算法和最小二乘算法的目标跟踪算法。描述了Harris-Mean Shift算法与最小二乘算法相结合的具体方法。首先采用最小二乘算法来预测目标位置,然后以预测位置为起始点,采用Harris-MeanShift算法进行迭代,最终得到目标的真实位置。该算法通过减少每帧搜索时起始搜索点离收敛点的距离来实现加速。同时展示了该算法在目标遇到大比例遮挡情况下的跟踪效果,并对结果进行了分析。实验过程中将Harris-Mean Shift算法与改进算法两种算法的跟踪结果进行对比,证明相对于Harris-Mean Shift算法,改进的算法能够在目标存在大比例遮挡的情况下对目标进行有效的跟踪。