视频对象跟踪是当今计算机视觉研究领域的热点问题,广泛应用于智能视觉监控、人机交互、机器人视觉以及军事领域等。由于问题的复杂性,视频对象跟踪仍然是一个难点,其中需要解决的几个关键技术是:对象的丢失与重现;对象的平移、旋转、缩放、变形;对象的快速无规律运动。其中对象的匹配问题是跟踪的核心。针对以上问题,广泛查阅大量国内外相关学术论文,并对SIFT算法、Kalman滤波器、Mean Shift算法展开了理论和应用研究,结合不同的应用场境提出了具有实时性和鲁棒性的跟踪方法,旨在实现复杂场景下的实时视频对象跟踪技术。视频序列的镜头检测和关键帧识别问题,对解决对象的丢失、重现及跟踪的实时性都会产生影响。本文提出了改进的基于分块颜色直方图的关键帧提取算法,充分考虑了视频图像的颜色和内容特征以及人眼的视觉特征,将视频图像分成5块,并根据不同的权值计算帧间的相似度,很好的解决了镜头检测和关键帧识别问题。针对视频对象的匹配问题,研究了传统的模板匹配、角点匹配、Hausdorff距离匹配、图像不变矩匹配的优缺点,提出了基于SIFT算法的视频对象匹配算法,其匹配能力强,可以处理对象在平移、旋转、仿射变换、光照变化等情况下的匹配,甚至在发生部分遮挡的情况下也能有很好的表现,具有一定的实时性,从而可以用于实现视频对象的跟踪。针对Mean Shift算法不能跟踪快速对象的特点,提出了Mean Shift算法和Kalman滤波器相结合的方法,Kalman滤波器用于预测对象在下一帧中的位置,Mean Shift算法在该位置附近进行搜索,算法对快速运动的对象具有很好的跟踪效果,而且也能较好地处理遮挡问题。在跟踪过程中自适应地改变核直方图带宽,自动更新对象模板,当出现新的镜头,采用SIFT算法快速找到对象,结合Mean Shift算法和Kalman滤波器进行跟踪。本文的模板更新算法充分利用了Mean Shift算法和Kalman滤波器的中间值,算法的复杂度没有变高。实验证明改进的算法具有较高的实时性,视频对象的跟踪得以实现。对上述算法进行了仿真实验,结果表明本算法准确度高、实时性好,整个系统具有很好的鲁棒性,在智能视频监控、机器人视觉、国防安全等场合具有较高的实用价值。