随着计算机视觉与图像处理技术的飞速发展,目标跟踪一直是近年来各个应用领域研究的热点和难点。目标跟踪在医学、工业、导航、信息处理等领域都有着十分重要的应用意义,研究一种实时性好、鲁棒性强、通用性高的目标跟踪算法一直都是视频跟踪处理的最高目标。为了能够提高目标跟踪算法的鲁棒性,使用目标的局部不变特征描述子,可以保证当运动目标在尺度变化、光照变化和局部遮挡等情况下跟踪的准确性。尺度不变特征变化(SIFT)是局部不变特征中最具有代表性的局部描述子。SIFT特征针对尺度变化、缩放和旋转等变化都具有鲁棒性,对视角变化、光照变化和遮挡都具有很强的不变性,因此一直是视频跟踪领域的研究热点。本课题主要研究了基于SIFT特征的目标跟踪算法。它以SIFT特征为匹配特征,是因为SIFT特征具有很好的独特性,可以在海量特征数据中进行快速准确的匹配;并且它在目标发生变化的情况下具有稳定不变性。基于SIFT特征的特点,该算法也具有很好的稳定性和强鲁棒性。但是该算法处理大图像或包含丰富信息的图像序列时,这种算法不具有实时性,在实际应用中也会浪费资源。针对这些缺点,提出了对SIFT跟踪算法的改进,利用Mean-Shift算法对运动目标的位置进行预测,通过预测运动目标的初步位置,从而建立起局部SIFT特征检测域,实现SIFT特征的快速提取与匹配,并进一步定位运动目标的位置。这种基于运动预测的跟踪算法缩小了运动目标的检索范围,并在很大程度上提高了算法的运行速度。本文使用MATLAB对本文改进后的算法与传统Mean-Shift算法进行了仿真实验,并且对实验结果进行分析对比。实验证明改进后的目标跟踪算法在跟踪过程中可以准确的跟踪到运动目标的位置,相较于未改进的算法,在实际跟踪中具有很好的鲁棒性和实时性,可以节省大量的资源和时间。