ردیابی بر مبنای هسته اصلی بهینه شده با بکارگیری الگوریتم mean shift توجه زیادی را به عنوان یک تکنیک موثر ردیابی در رشته های ویدئویی کسب کرده است. الگوریتم mean shift اساساً یک روش بهینه سازی صعود گرادیان است، که برای پیدا کردن بابهای محلی طراحی شده است. در بسیاری از ردیابی ها، ما نیاز به جستجوی باب کلی یک تابع هدف داریم، مانند وقتیکه جابجایی هدف در بین فریم های متوالی نسبتاً بزرگ باشد بطوریکه هیچ یک از بخش های هدف درون ناحیه مقدار دهی اولیه شده قرار نگیرد. در این شرایط، بابهای محلی و کلی بر هم منطبق نخواهند شد و ردیابی احتمالاً با شکست مواجه خواهد شد. در این رساله،ما یک الگوریتم بهینه سازی توده ذرات (pso) انطباقی و ترتیبی را که به سمت باب کلی تابع هدف همگرا می شود پیشنهاد می دهیم. الگوریتم pso انطباقی و ترتیبی یک تکنیک بهینه سازی اتفاقی می باشد که از ترکیب اطلاعات ترتیبی موجود در پروسه ردیابی درون الگوریتم سنتی pso ، و همچنین تغییرات انطباقی پارامترهای pso بدست می آید. در شیوه ردیابی ما، این الگوریتم برای جستجوی باب کلی ضریب bhattacharyya که به عنوان یک تابع تشابه بین تخمین های چگالی هسته اصلی از قالب هدف و کاندیدای هدف می باشد، استفاده می نماییم. همچنین ما یک استراتژی بروز رسانی جدید که بمیزان تشابه بین مدل ابتدایی و ظاهر جاری هدف برای بروزرسانی مدل هدف توجه می کند را پیشنهاد می دهیم. نتایج تجربی نشان می دهد که در مقایسه با ردیابی اشیأ بر مبنای الگوریتم استاندارد mean shift، روش ردیابی پیشنهادی ما می تواند هدف های متحرک سریع را بطور موفقیت آمیز ردیابی و تغییرات مقیاس هدف و انسداد های کلی و جزئی را مدیریت نماید.