目标三维姿态信息在目标运动分析、目标识别和目标跟踪等领域的应用越来越广泛。现有的OPDVA算法采用基于距离的K-means算法对点法向量进行分类后确定目标坐标系MCS的正方向，求取目标三维姿态角。针对点法向量分类效果不理想的情况，提出了基于Mean Shift点法向量分类的目标三维姿态估计算法(PEMSPNC)。该算法利用不依赖初始参数设定、基于密度聚类的Mean Shift算法，对密度分布不同的不同平面点法向量分类，寻找密度最大处点法向量做为每类代表法向量确定MCS的正方向，然后计算目标姿态角，并根据目标姿态估计结果计算目标尺寸。采用矩形拟合法、OPDVA和PEMSPNC算法分别对仿真和实测目标距离像进行实验。实验结果表明：采用PEMSPNC算法得到的姿态估计结果误差最小，相比于OPDVA算法，平均误差降低了0.443 4°，且对实测数据有较好的处理结果。

针对图像跟踪领域中因遮挡产生的漂移问题, 提出一种基于直方图比的背景加权的Mean Shift算法和Kalman预测滤波器融合的方法。本文方法通过改进目标模型来优化Bhattacharyya系数值, 增大目标正常跟踪状态下和遮挡状态下Bhattacharyya系数的差值, 提高遮挡判定的有效性, 进而提高遮挡时的跟踪性能。通过实验证明, 基于直方图比的背景加权的Mean Shift算法和Kalman预测滤波器融合的方法可有效解决遮挡跟踪问题。

对运动目标跟踪时，主流 Mean-Shift（均值偏移）算法对环境的影响较为敏感。针对目标遮挡时准确跟踪这一问题，提出了多步预测融合 Mean-Shift的优化运动目标跟踪算法。在目标跟踪的过程当中采取 Bhattacharyya coefficient（巴氏系数）辨别目标是否出现了遮挡。当目标产生遮挡的情况，采取多步预测算法，根据目标前一帧的特征信息对下一帧中目标位置信息进行判断。当运动目标离开遮挡时，则继续采取 Mean-Shift实施后续跟踪。通过对不同场景下的视频序列实行测试，其结果表明该算法可以对发生遮挡后的目标进行连续、稳健的跟踪。

针对传统人工目测法以及光阻检测法在葡萄糖注射液中不溶性微粒识别判断效率较低现象, 提出了一种背景差预处理与改进的Mean Shift算法相结合的微粒识别算法。利用高分辨率数码相机采集在一定照度下葡萄糖注射液中不溶性微粒产生散射光的序列数字图像。对序列数字图像进行预处理及并标定数字图像有效检测区域。建立序列数字图像背景模型并对背景噪声与随机噪声进行抑制处理。采用改进的Mean Shift算法对葡萄糖注射液中不溶性微粒进行目标跟踪。通过对序列数字图像中被检测对象的分割与特征提取, 实现了葡萄糖注射液中粒径在25μm以上不溶性微粒的识别。

为了实现对变尺度快速运动目标的良好跟踪，在对传统 Mean Shift跟踪算法改进的基础上，提出了一种运动目标自适应跟踪算法。该算法首先采用目标区域的像素点空域加权后的彩色图像作为初始帧目标模板，目标的真实位置利用 Mean Shift算法迭代求得，从而实现对快速运动目标的空间定位，然后将相邻帧的目标采用尺度不变特征变换 (SIFT)算子进行特征匹配，根据目标的缩放因子实时更新下一帧的核带宽，修正算法跟踪窗口的尺寸，以适应目标尺度的变化，从而实现对快速运动目标的尺度定位。最后，通过实验表明，与传统的 Mean Shift跟踪算法相比，该算法的跟踪准确率达到 97%以上，能够实现对变尺度快速运动目标的精确跟踪。

在利用抛物反射面对电磁干扰源成像过程中，由于系统衍射受限导致干扰源成像模糊，分辨率低，难以分辨，由于不同频率不同区域干扰源所成图像分辨率不同，具有分区域多分辨率的特征，采用已有超分辨算法难以提高分辨率。利用Mean Shift算法，在原有算法基础上改进使其能够适应多分辨率的电磁干扰源成像，在图像分割的基础上对多分辨率图像进行分块抽离，并采用基于L_R迭代的盲反卷积算法分别对各区域进行分辨率的提高，仿真结果表明算法能够适应对干扰源的多分辨率电磁成像并提高分辨率。

针对采用核加权直方图的方法计算目标模板与候选区域目标特征无法实现对运动目标的准确定位这一问题, 提出了一种利用改进背景加权增强直方图显著性的鲁棒Mean-Shift跟踪算法。在传统Mean-Shift的框架下, 通过计算目标和背景特征直方图bin值, 得到两者特征显著性大小, 将其代入传统相似性度量中, 定义新的背景加权系数, 进而更好地提高目标与背景的区分度, 减少背景信息对目标定位的干扰。通过算法改进前后的实验结果以及跟踪误差和正确跟踪率的比较发现,跟踪效果得到明显改善。

目标跟踪中, 目标的背景变化、形状改变、遮挡, 往往会导致跟踪失败, 而跟踪的实时性和准确性是必须考虑的问题。本文首先对 Mean Shift算法进行了介绍, 接着对 Mean Shift算法进行了优化：修正 Mean Shift算法迭代权值, 修正后主要信息贡献更加突出, 次要信息受到抑制, 避免了开方的繁琐运算, 降低了运算量。提出了目标模板更新算法, 解决了背景变化和目标形状改变时跟踪失败的问题。然后在水平位置和竖直位置建立 Kalman滤波器, 同时将优化 Mean Shift算法与 Kalman滤波融合, 解决了目标完全遮挡后无法继续跟踪的问题。仿真实验表明, 本文提出的目标跟踪算法在目标遮挡, 目标形状改变, 目标跟踪失败的情况下具有更高的跟踪精度, 更高的实时性和鲁棒性。

为了提高移动机器人目标跟踪系统在复杂环境中的跟踪性能, 提出在双层定位机制下采用基于自适应核函数的Mean Shift算法实现目标跟踪。利用射频识别器件(RFID)检测携带标签的目标, 实现外层粗定位并确定感兴趣区域(ROI); 在内层则根据对视差图的ROI的处理结果确定初始搜索窗口, 然后应用基于自适应核函数的Mean Shift算法在从立体相机获得的左图中应用基于自适应核函数的Mean Shift算法实现对目标的精确定位。自适应核函数由目标的区域特征与Epanechnikov函数相融合构成, 克服了目标边缘处背景像素对目标颜色概率分布的影响。与传统的Mean Shift算法相比, 所提方法在同色背景干扰下仍能准确跟踪目标。另外, RFID限定了图像搜索范围, 节省了运算开支, 图像处理的平均时间为62.11 ms/frame, 满足实时跟踪的要求。实验结果表明, 该方法可实现移动机器人在同色背景干扰、遮挡、目标快速移动等情况下的目标跟踪。

Mean-Shift算法是一种基于颜色信息的有效跟踪算法, 当背景中存在相似颜色信息干扰时会导致目标跟踪丢失。针对手势识别中的肤色干扰问题, 提出了一种改进的基于肤色约束的Kalman滤波和Mean-Shift融合KSMS(Kalman Skin Mean-Shift)跟踪算法。利用Kalman滤波的预测功能, 对搜索窗口提前进行预测, 从而提高跟踪的准确性。实验结果表明, 算法准确可靠, 在大面积肤色信息干扰时具有良好的鲁棒性。