目标跟踪是在一段视频序列中寻找与指定目标最相似的部分,是计算机视觉的一个重要研究内容。它在视频监控、人机界面、增强现实、基于目标的视频压缩等众多领域中有着广泛的应用。在众多的跟踪算法中,Mean Shift算法由于其理论严格、实现简单和较好的跟踪性能,近年来受到广泛的关注。本文的主要研究对象是基于Mean Shift的目标跟踪算法。Mean Shift算法是一种基于特征概率密度统计的建模方法。在跟踪过程中,目标区域通常由用户在视频序列的第一帧中选定,并建立相应的目标直方图。根据Bhattacharyaa相似度,Mean Shift算法在后续帧中迭代地搜索目标模型的最佳候选区域。这种方法使Mean Shift算法在跟踪中表现出良好的性能,比如:实时性好,对遮挡、目标形变具有鲁棒性等。但当目标和背景过于相似,可分性差时,该种建模方法就难以区别目标和背景,致使算法跟踪性能下降。本文选用不同的视频序列对Mean Shift跟踪算法的性能做了理论分析和实验验证。为了改进Mean Shift算法在复杂场景中容易丢失目标的的缺点,提出了一种基于角点提取的Harris-Mean Shift算法。该算法通过角点提取,选取跟踪区域中表示目标主要特征的点建立目标模型,使Mean Shift算法的跟踪性能有了很大的提高。实验结果表明Harris-Mean Shift算法不仅能很好地抑制复杂场景中的背景噪声对目标定位的干扰,而且受光照的影响较小。