视频图像序列中的运动目标跟踪是视觉分析、高级行为理解以及运动编码等计算机视觉应用领域中基本而又重要的一个问题。其主要工作是研究视频图像序列中运动目标的检测、提取、识别和跟踪,获得运动目标的运动参数,如位置、速度、加速度等,以及目标运动的轨迹,从而进行进一步处理与分析,实现对运动目标的行为理解,以完成更高一级的任务。作为一个有着广泛应用背景的研究领域,基于计算机视觉的目标跟踪吸引了大批研究学者参与,许多国外研究机构也将其列为重要研究方向,并已取得了很多成果。但是一般意义上的跟踪技术还远未成熟,要开发出真正鲁棒、实用的跟踪应用系统还需要解决大量的问题。论文围绕复杂场景下的运动目标跟踪问题,以基于均值漂移的运动目标跟踪算法为研究对象,深入研究了均值漂移算法在复杂环境下的目标跟踪中的应用,论文主要工作如下:论文深入研究了基于视频的目标跟踪技术的研究现状,讨论了当前基于视频的目标跟踪技术中目标的表示方法以及目标跟踪特征选择标准;对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。论文围绕运动目标跟踪问题,分析介绍了基于视频的运动目标跟踪系统的工作原理与主要组成功能模块。重点介绍了数字图像原理以及视频图像预处理技术,介绍了均值漂移跟踪算法的基本思想,对算法的优缺点进行了分析。针对均值漂移算法无法对快速运动的运动目标进行跟踪的缺陷,提出了使用均值漂移算法与卡尔曼滤波相结合的运动目标跟踪算法,对均值漂移算法进行了改进。采用卡尔曼滤波器预测运动目标的运行轨迹,然后在此基础上使用均值漂移算法实现目标的精确跟踪。仿真实验结果表明了该算法能有效地对运动目标进行跟踪,并能很好的解决跟踪过程中的跟踪误差累积问题。针对传统的均值漂移目标跟踪算法,缺乏一种模板更新机制,采用固定的模板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。提出了基于卡尔曼滤波器组的均值漂移模板更新算法,将目标在特征空间中的特征值的概率作为模板信息,设计了一个滤波器组。通过对滤波器残值的分析,制定相应的模板更新策略,试验证明本算法能够保证在运动目标姿态变化、光照变化情况下的跟踪效果,对阻挡也有很好的鲁棒性,而且可以保证较好的实时性。最后,对全文的研究工作进行了总结,并指出了今后工作中进一步研究的方向。