使用跟踪算法替代人工在监控系统充当“观察者”的角色，其稳定性以及效率相对较高，具有一定的经济和社会价值，因此跟踪算法的研究一直是目标跟踪领域的热点研究问题。在实际应用中，监控应用场合的多样性及复杂性,决定了跟踪算法不能在各个场合中广泛使用。为保证跟踪效果，算法需要做出相应改进，而选择计算复杂度较低的跟踪算法，可达到节约系统计算资源的目的。论文改进了传统的Camshift算法基于只依靠颜色连续自适应迭代的跟踪方式，将人脸区域的梯度幅值信息和颜色信息的直方图同时进行反向投影来寻找目标，以提高Camshift算法抗干扰的能力。在外界遮挡造成改进Camshift算法目标跟踪丢失等情况下，通过实时拟合短时间内人脸运动质心轨迹，预测丢失目标后下一帧中人脸区域，与人脸区域SURF特征点模型相匹配，初始化改进LK光流算法对其继续进行跟踪。在计算复杂度上，改进LK光流跟踪要大于改进Camshift的跟踪。当目标离开遮挡区域后，继续对其进行光流跟踪会造成不必要的计算资源开销。文中设计了一种能在两种算法之间动态切换的机制。改进LK光流对目标进行跟踪的同时对SURF特征点进行更新，当特征点数目达到设定阈值时，由特征点在人脸区域中的位置信息初始化改进Camshift算法进行跟踪，节约跟踪目标消耗的计算资源。实验证明，改进Camshift算法较传统算法具有更高的稳定性且能达到跟踪实时性要求；在改进Camshift算法丢失目标的情况下，选择改进LK光流算法对人脸进行跟踪，相比传统的LK光流算法具有更好的适应性。整体算法能根据目标所处的环境动态切换选择合适的算法进行跟踪，达到了连续跟踪的目的。