Mean-Shift算法作为一个寻找本地最大密度分布候选设置的鲁棒性方法，由于其在跟踪过程中不涉及过于繁琐的搜索运算过程，现已在实时目标跟踪领域广泛使用。例如，实验证明通过一个视频帧就可以很轻松地计算并绘制出连续数据分布的直方图，只应用爬山算法[6]就能得到一个密度数据的直方图。87424

虽然Mean-Shift算法简单高效，极适合大量推广使用，但是在实时应用中还存在一定的缺陷，时常会出现丢失跟踪目标的情况。当跟踪目标突然发生高速运动，跟踪目标外形和背景轮廓的发生变化，多个跟踪目标相互遮挡，目标与背景物之间相互遮挡，摄像机发生位移等等，上述这些不定因素都可能影响跟踪效果。因此，一个成功的实时自适应目标跟踪程序必须能排除以上所有干扰因子，最终实现高效率且鲁棒性良好的目标跟踪功能。

为了解决以上所有可能发生的不稳定情况，近几年来许多基于Mean-Shift的优化算法被国内外研究学者陆陆续续的发表。文献[7]在文献[2-4]的基础上，将跟踪过程划分为带宽选择和Mean-Shift 算法实现两部分，前者负责实现目标的动态自适应后者负责实现目标定位算法，大大提高了算法的稳定性。文献[8]提出的一种改良算法CamShift，它能动态的调整目标跟踪框的大小，在单一背景下有较好的跟踪效果。文献[9]利用粒子滤波方法对CamShift算法改良，在复杂背景下同样可以达到如在单一背景下相同的跟踪效果。文献[10-13]对基于粒子滤波的目标跟踪算法进行了改进，使系统的自适应能力更上一层，尤其在目标被遮挡的情况下也能实现稳定跟踪。文献[11]综合使用多种物体特征来组建混合型目标模板，实现自适应跟踪目标的动态学习。文献[12]提出了一种新的自适应目标跟踪算法，它利用计算机分析目标图像的色彩概率和边缘概率分布，算法经改良后可以在目标表面发生突然变化时依然稳定跟踪。而文献[13]对原有的稀疏编码的视频目标跟踪算法进行了优化处理，优化后得到了针对视频中动态目标的快速运算算法，在提高了计算效率的基础上还能解决跟踪目标被遮挡的情况。

以上这些方法从不同角度出发，在原有算法的基础上进行优化改良。对目标运动过程中可能出现的目标遮蔽、目标尺寸变化、目标混淆及背景替换等情况都做相应的优化，在跟踪小型目标和具有伪装性的背景区域也可以良好地运行。