在机器视觉中实现光照变化下的目标跟踪，可以采取以下方法：
1. 选择适合的跟踪算法：
可以考虑使用基于颜色特征的目标跟踪算法，但需注意，这种算法在光照变化较大的场景下效果可能相对较差。需要结合实际应用场景和光照变化程度来选择和调整算法参数。
光流法（Optical Flow）是一种有效的目标跟踪方法，它根据图像序列中相邻像素之间的运动信息来估计目标对象在不同时刻的像素位置，对光照变化有一定的鲁棒性。
2. 结合多种特征进行跟踪：
除了颜色特征外，还可以结合形状、纹理等其他特征进行目标跟踪，以提高算法在光照变化下的稳定性和准确性。
使用SIFT（Scale-Invariant Feature Transform）等特征提取算法，这些算法对光照、尺度等变化具有较好的不变性，能够增强目标跟踪的鲁棒性。
3. 应用机器学习和深度学习方法：
机器学习方法，如K-最近邻（KNN）、支持向量机（SVM）等，可以通过学习目标的特征来进行跟踪，对光照变化有一定的适应性。
深度学习方法，如卷积神经网络（CNN），能够自动提取目标的深层特征，对光照变化具有较强的鲁棒性和泛化能力。通过训练深度学习模型，可以实现更精确和稳定的目标跟踪。
4. 实时调整和优化算法参数：
在实际应用中，需要根据光照变化的情况实时调整和优化跟踪算法的参数，以提高跟踪的准确性和稳定性。
可以使用卡尔曼滤波等预测算法来预测目标在下一帧中的位置，从而减小光照变化对跟踪结果的影响。
5. 利用硬件辅助：
如果条件允许，可以使用深度摄像头等硬件来获取目标的深度信息，结合图像信息进行目标跟踪，这样可以进一步提高跟踪的准确性和鲁棒性。
通过选择适合的跟踪算法、结合多种特征进行跟踪、应用机器学习和深度学习方法、实时调整和优化算法参数以及利用硬件辅助等方法，可以在机器视觉中实现光照变化下的目标跟踪。
