计算机视觉日益进步,图像处理技术和信号处理技术已大范围应用于多个行业,如导航跟踪、智能驾驶和自动控制等领域。近年来,很多学者对视频跟踪进行了深入的研究,并在前人基础上对原有经典算法进行更进一步的创新。在实际工程中,常用的算法有Mean Shift和粒子滤波算法,但该两种算法均有各自的优点和缺点。本文针对Mean Shift算法和粒子滤波各自优点,并进行结合改进,使其能在复杂的背景下依然具有实时性和鲁棒性。具体展开的研究如下:首先,本文介绍Mean Shift算法在目标跟踪过程中的应用,并尝试通过实验试验论证Mean Shift在实际工程中的应用,发现Mean Shift在目标尺寸变化、背景与目标类似或者被一定程度遮挡的时候,目标跟踪会出现丢失,跟踪效果受到很大影响,但Mean Shift算法计算量少,实时性高的优点,让Mean Shift常用在目标跟踪中。针对Mean Shift的缺点,提出从带宽窗口、目标的建模和模型更新策略三个方面对原Mean Shift算法进行改进,随后对不同情况的目标进行跟踪试验,发现改进后的Mean Shift算法能很好应对目标尺寸大小变化或者被一定程度遮挡的情况,但在目标形态发生较大变化时,效果依然不理想。接着简单阐述粒子滤波的基本原理,并提出结合颜色特征、纹理特征和结构化特征的多特征粒子滤波算法,提高粒子滤波解决非线性问题的能力。结合Mean Shift和粒子滤波的优点,采用一种融合改进Mean Shift与多特征粒子滤波的目标跟踪算法。通过三组视频试验,将融合算法与多特征融合粒子滤波算法进行试验,并与改进后的Mean Shift算法及多特征融合粒子滤波算法进行对比,融合算法具有和粒子滤波算法一样的跟踪效果,但平均运行时间却大大缩短,说明融合算法具有较强的准确性以及实时性。