目标跟踪利用目标在移动过程中图像的关联性来实现对物体的跟踪,是计算机视觉领域的一个关键问题。它被广泛应用在各种场合,例如视频监控,人机接口,增强现实等。近年来,大量的目标跟踪算法被提出来,其中比较典型的有粒子滤波,Mean-shift,卡尔曼滤波,基于特征点的光流法等。在这些算法中,Mean-shift算法以其良好的实时性和无参数模型等特点受到了广泛的关注。由于Mean-shift算法的诸多优点,本文主要研究基于Mean-shift算法的目标跟踪。Mean-shift算法是一种基于概率密度统计的方法,是一种无参概率模型,它根据目标的特征概率密度统计得到目标均值漂移向量。此算法需首先得到目标的模板,建立目标的统计直方图,在本文中我们是在第一帧中手动选取目标。得到目标的初始模板后,Mean-shift算法对接下来每一帧的目标候选区域建立直方图,再根据Bhattacharya相似度,迭代搜索与目标模型匹配的最佳区域。这个过程使得Mean-shift算法具有良好的实时性,对遮挡,目标变形等具有很好的鲁棒性。但是此算法也存在一些不足,比如在迭代过程中,当目标在图像上的大小逐渐变化时,Mean-shift算法不能自适应地更新跟踪窗口的大小。使得算法性能大打折扣,在一些情况下甚至出现严重的错误。为了让Mean-shift算法能自适应地更新跟踪窗口,本文引入射影几何知识,通过求得场景成像时的射影几何信息来更新跟踪窗大小。该算法通过得到目标所在平面的灭线和与此面垂直方向上的灭点,得到场景几何信息。第一帧的目标大小手动获得,根据此射影几何关系,可以求出目标在该平面上任何一点的大小,从而实时更新跟踪窗的大小。实验结果显示此算法提高了Mean-shift算法的性能。