当今社会是信息社会,计算机技术的快速发展为我们的工作和生活带来了很大的便利。视频目标跟踪是基于计算机技术和信息技术的一门跨学科的领域,目前被广泛应用于视频监控、机器人视觉、智能交通、国防建设和航天航空及国民经济建设各个领域。视频目标跟踪的核心在于合理地分离出目标,正确地描述目标特征和快速地识别目标,同时考虑算法的实时性、精确性和鲁棒性。目标跟踪的本质是自动控制系统的状态估计问题,即滤去随机噪声,观测和估计目标的连续状态,最后求解目标的运动要素。在课题研究中,通过对视频场景监控中目标跟踪问题的学习和探索,课题的研究取得了一定的进展。由于视频目标跟踪环境中背景和目标的复杂性,很难找到一个能处理所有情况的算法,因此各种算法层出不穷。本文详细介绍了目标跟踪领域中几种较为经典的算法：Mean Shift算法、粒子滤波算法和最小二乘算法。分析了各种算法的不同优缺点,并且对于算法的不足,提出了一些改进的方法。由于Mean Shift算法在目标初始位置进行迭代收敛,当目标运动较快或者目标被遮挡时,算法跟踪效果将会受到影响。采用最小二乘预测算法可解决这一问题,首先采用最小二乘法对目标的位置进行预测,Mean Shift算法在预测位置进行迭代跟踪,利用Mean Shift算法获取目标最终跟踪位置,通过减少每帧搜索时矢量离收敛点的距离来实现加速,该算法称为最小二乘Mean Shift算法。仿真结果表明,在目标运动速度较快或发生轻微遮挡的情况下,改进算法表现出更好的跟踪效果。同时,对于两种算法的Mean Shift迭代次数和每帧的处理时间进行了计算和对比,对比发现,改进算法有更好的实时性。最小二乘Mean Shift算法计算量小,在视频图像背景相对简单的情况下,跟踪过程可以保证较好的实时性；但是当目标发生较大范围的遮挡时,该算法的跟踪效果欠佳,甚至发生跟踪丢失的情况。相比之下,粒子滤波算法在复杂背景、遮挡等情况下能进行比较准确的跟踪；然而,粒子滤波的计算量比较大,其较好的鲁棒性也是以牺牲实时性为代价。针对上述两种算法的不同优缺点,提出一种最小二乘Mean Shift算法和粒子滤波结合的目标跟踪算法,在目标未被遮挡或者遮挡比例相对较小的情况下,利用最小二乘Mean Shift算法进行跟踪,当目标发生严重遮挡,改用粒子滤波算法进行跟踪。该算法就是根据相似度系数的大小不断地进行两种算法的转换,从而实现较好的跟踪效果。结果表明,结合算法同时有较好的实时性和鲁棒性。