在计算机视觉领域,基于帧间的视频图像目标跟踪已经成为一个热门课题,广泛应用于机动目标跟踪、机器人研究、人机接口和图像目标编码等。而要在目标快速移动、遮挡、目标变形、光照变化、背景噪声以及有实时性要求等条件下也能实现稳健的目标跟踪是学者们关注的焦点,也是目前实际应用中一个急待解决的难题。在众多的目标跟踪算法中,作者深入研究了均值漂移和粒子滤波算法。均值漂移算法是一种基于密度梯度上升的非参数方法,通过迭代运算找到目标位置,实现目标跟踪。它显著的优点是算法计算量小,简单易实现,很适合于实时跟踪场合;但是跟踪小目标和快速移动目标时常常失败,而且在全部遮挡情况下不能自我恢复跟踪。本文在第二章对均值漂移算法理论和在目标跟踪的应用作了详细的推导和描述,通过大量实验提出应用核直方图来计算目标分布,证明了均值漂移算法具有很好的实时性特点。在第三、四章节中对均值漂移算法缺点作了实验分析。另外一种引人注意的方法是粒子滤波算法,得益于它在充满噪声的复杂环境也能表现出优异的跟踪性能。粒子滤波器是一种基于传播样本集的递归贝叶斯滤波器,同时它保持多重假设以及使用随机运动模型预测目标位置。拥有多重假设使得跟踪器能很好的处理背景中的噪声影响,并在短时丢失目标或者跟踪失败的情况下能自我恢复跟踪,在非线性非高斯场合下能实现稳健的跟踪。然而这种方法有两个关键问题:退化现象和很大计算量,在实时跟踪系统中构成了应用瓶颈。本文在第三章中对粒子滤波算法原理以及在目标跟踪中的应用作了详细讨论,设计了目标模板更新方法。实验证明,与均值漂移跟踪算法相比,粒子滤波跟踪算法具有很好的鲁棒性和抗遮挡、抗干扰性,但是计算量却很大。本文中,作者结合两种算法的优缺点提出了一条新的思路,就是将均值漂移嵌入到粒子滤波算法里面,对粒子样本进行聚集作用,能得到更多具有高权重的样本粒子,丢弃那些对跟踪贡献几乎为零的样本,同时大量减少了用于描述目标状态的样本数量。文中第四章详细阐述设计了均值漂移嵌入粒子滤波跟踪算法,实验证明这种方法解决了粒子滤波器的退化现象和计量大的问题,在跟踪同一目标实验中,这种算法不仅保持了粒子滤波算法的高鲁棒性和抗遮挡、抗干扰性,而且算法计算量不到粒子滤波算法的三分之一,使算法的实时性大大提升。