CCD测量系统中基于自适应相关算法的动态目标跟踪
基于计算机视觉算法的视频智能监控与跟踪系统研究
图像处理技术
Image Processing Technology
《自动化技术与应用》 2021 年第 40 卷第 6 期
以评估，并触发告警机制。视频图像通过 PC 端呈现，利 用 Visual Studio 编制于人机交互界面，以此 PC 端可实 时观看监控，并观察参数变化状态。硬件则包括计算机、 摄像头、网络设备、储存介质等等。视频智能监控与跟踪 系统框架[2]具体如图 1 所示。
抖动视频图像。
设定视频图像当前帧与前一帧匹配点集为{
;
}，(x=1,2,3,∧,n)视频各帧图像综合运动存在
伸缩、旋转、平移等多种变化，其全局运动即：
(4)
z 表示视频图像伸缩变化；θ表示视频图像围绕中心 逆时针旋转角度；(df,dg)U表示视频图像中心位移。
如果图像块匹配结果是在视频某时刻前后两帧图像 匹配点对的集合中，则通过集合随机挑选两对匹配点构 成子集，即：
B 代表蓝色。
灰度化处理基于 OpenCV 提取原始图像，再把三通
道 RGB 彩色图转变为单通道灰度图，利用 OpenCV 所提
供 Cvt Colour 颜色空间转换函数，便可实现图像灰度化。
3.2 滤波处理
视频图像滤波是视频图像去噪处理的重要途径，以
中值滤波法去除噪声，基本原理为于目标像素周围选择
收稿日期:2020-06-30
84 Techniques of Automation & Applications
注意力，遗漏重要数据信息[1]。据此，本文引进了计算机 视觉技术进行视频智能监控，基于视频数据内容自主评 估异常状况，并提示告警。
2 视频智能监控与跟踪系统框架
基于计算机视觉算法的视频智能监控与跟踪系统由 硬件与软件两部分构成，其中软件框架以主机为载体，以 摄像采集监控范围之内的视频图像数据信息，加以预处 理分析，同时以 OpenCV 视觉处理库编制代码，检测所采 集数据信息，在检测发现移动物体之后，于阈值区域内加
目标跟踪 综述
目标跟踪综述目标跟踪是指在视频监控系统或图像处理中，将特定目标物体从连续变化的场景中进行定位和跟踪的技术。
目标跟踪是计算机视觉和模式识别领域的重要研究方向，广泛应用于视频监控、安防、智能交通等领域。
目标跟踪的主要目标是识别、跟踪和通过目标位置预测目标的未来位置。
它可以根据目标的外观、形状、运动、上下文等特征进行分类和识别，然后通过复杂的算法在连续帧的图像序列中跟踪目标位置的变化。
目标跟踪技术需要解决很多挑战，如光照变化、目标遮挡、视角变化、背景干扰等。
为了克服这些挑战，研究人员提出了许多不同的目标跟踪方法。
基于特征的目标跟踪是最常见的方法之一。
它通过提取目标的某些特定特征（如颜色、纹理、形状等）并根据这些特征进行匹配来实现目标的跟踪。
这种方法有助于解决目标外观的变化和光照变化等问题，但对于目标遮挡和背景干扰等情况仍然面临困难。
另一种常用的目标跟踪方法是基于模型的方法。
这种方法使用事先训练的模型来描述目标的外观和形状，并通过将模型对应到当前图像中来进行目标的跟踪。
这种方法对于目标外观和形状的变化有一定的适应性，但需要大量的训练数据，并且对于复杂场景中的目标遮挡和背景干扰效果较差。
最近，深度学习技术的发展为目标跟踪提供了新的解决方案。
通过使用深度神经网络对图像进行特征提取和分类，在目标跟踪任务中取得了很好的效果。
深度学习方法能够自动学习目标的特征表示，对于复杂的目标和场景具有较强的鲁棒性。
总之，目标跟踪是计算机视觉和模式识别领域中的重要研究方向。
随着技术的不断进步，目标跟踪方法越来越成熟，并且在实际应用中得到了广泛的使用。
未来，我们可以期待更高效、准确和鲁棒的目标跟踪算法的发展。
目标跟踪系统
目标跟踪系统目标跟踪系统（Object Tracking System）是一种能够自动检测、追踪和跟踪运动目标的计算机系统。
目标跟踪系统由一个或多个传感器，例如摄像机或雷达，一个目标检测算法和一个目标跟踪算法组成。
它广泛应用于许多领域，包括视频监控、智能交通系统和无人驾驶车辆。
目标跟踪系统的核心任务是从传感器获取的输入数据中提取目标并预测它们的运动轨迹。
目标检测算法通常使用计算机视觉技术，例如模板匹配、颜色分割和特征提取，来检测输入图像中的目标。
一旦目标被检测到，目标跟踪算法将对目标进行跟踪，通过连续观察目标在每一帧中的位置，速度和加速度等信息，预测目标的未来位置。
目标跟踪系统的性能取决于目标检测和目标跟踪算法的准确性和效率。
现代目标检测算法通常基于深度学习技术，例如卷积神经网络（CNN），能够在复杂背景和遮挡的情况下准确地检测目标。
目标跟踪算法则使用过滤器或轨迹预测方法，例如卡尔曼滤波器或粒子滤波器，来估计目标的状态并跟踪目标。
目标跟踪系统还可以通过使用多个传感器来提高跟踪性能。
多传感器融合技术可以结合不同传感器的信息，例如摄像机和雷达，来提供更准确和鲁棒的目标跟踪结果。
例如，摄像机可以提供目标的外观信息，而雷达可以提供目标的位置和速度信息。
通过融合两种传感器的信息，可以更好地跟踪目标，避免诸如光照变化和遮挡等困难。
随着计算机硬件和计算能力的提高，目标跟踪系统已经取得了显著的进展。
现代目标跟踪系统不仅能够准确地跟踪单个目标，还能够同时跟踪多个目标，并进行目标重识别和目标分类等复杂任务。
这些进展为实现自动驾驶车辆、智能交通系统和智能安防系统等应用奠定了基础。
综上所述，目标跟踪系统是一种能够自动检测、追踪和跟踪运动目标的计算机系统。
它利用传感器和算法来提取目标并预测它们的运动轨迹，广泛应用于视频监控、智能交通系统和无人驾驶车辆等领域。
随着技术的不断发展，目标跟踪系统将继续迎来更多的创新和应用。
自适应卡尔曼滤波方法在光电跟踪系统中的应用
2021年第40卷第6期传感器与微系统(Transducer and Microsystem Technologies)157DOI：10.13873/J.1000-9787(2021)06-0157-04自适应卡尔曼滤波方法在光电跟踪系统中的应用**收稿日期=2019-11-12*基金项目：国家自然科学基金资助项目(61463025)吴旭，孙春霞，沈玉玲(兰州交通大学电子与信息工程学院，甘肃兰州730070)摘要：在光电跟踪系统中，图像采集装置相对控制系统传感器滞后，会使脱靶量出现误差，将导致控制系统的跟踪精度降低。
为了提高跟踪精度，提出了一种用于补偿跟踪脱靶量数据的自适应卡尔曼滤波方法。
首先，通过CSM模型计算当前时间的状态预测矩阵和预测误差方差矩阵;再根据强跟踪滤波器，利用残差序列计算调节因子;然后，利用调节因子校正预测误差方差矩阵和机动频率;最后，使用校正后的参数更新预测的输出信息。
仿真与实验结果表明:在高机动情况下,采用自适应卡尔曼滤波算法，跟踪误差的均方根误差RMS约为传统算法的0.21倍，最大跟踪误差和均方根误差都有显著减小。
关键词：光电跟踪系统；自适应卡尔曼滤波器；脱靶量；强跟踪滤波；调节因子;残差序列中图分类号：TH703；TP212文献标识码：A 文章编号：1000-9787(2021)06-0157-04 Application of adaptive Kalman filtering method inphotoelectric tracking system*WU Xu,SUN Chunxia,SHEN Yuling(School of Electronic and Information Engineering,Lanzhou Jiaotong University,Lanzhou730070,China)Abstract:In photoelectric tracking system, image acquisition device lags behind the control system sensor,which causes an error in miss distance,which will result in a lower tracking precision of the control system.In order to improve the tracking precision,an adaptive Kalman filtering algorithm for compensating tracking miss distance data is proposed.Firstly,the state prediction matrix and the prediction error variance matrix of current time are calculated by the CSM model.According to the strong tracking filter idea,calculate the adjustment factor through r esidual sequence.Then, the adjustment factor is used to coiTect the prediction error variance matrix and the maneuver frequency.Finally,the output information of prediction is updated by using lhe corrected parameters・The results of simulation and experiment show that under the high maneuvering condition,using the adaptive Kalman filtering algorithm,lhe root mean square error RMS of lhe tracking error is about0.21times that of lhe traditional algorithm,andthe maximum tracking error and root mean square error are significantly reduced. Keywords:optoelectronic tracking system；adaptive Kalman filtering；miss distance data；strong tracking filtering；adjustment factor；residual serial0引言在光电跟踪控制系统的视场中，目标的位置与视场的中心之间的特定偏差被称为脱靶量。
《2024年目标跟踪算法综述》范文
《目标跟踪算法综述》篇一一、引言目标跟踪是计算机视觉领域的一个重要研究方向，广泛应用于视频监控、智能驾驶、人机交互等众多领域。
随着深度学习技术的发展，目标跟踪算法的性能得到了显著提升。
本文将对目标跟踪算法进行综述，包括其发展历程、基本原理、现有方法及优缺点，以及未来的研究方向。
二、目标跟踪算法的发展历程目标跟踪算法的发展历程大致可以分为三个阶段：基于特征的跟踪、基于模型的方法和基于学习的跟踪。
早期基于特征的跟踪主要依靠提取目标的特征进行匹配和跟踪；基于模型的方法则是根据目标的外观、运动等特征建立模型进行跟踪；随着深度学习技术的发展，基于学习的跟踪算法成为主流，利用大量的训练数据学习目标的特征，实现高精度的跟踪。
三、目标跟踪算法的基本原理目标跟踪算法的基本原理是通过提取目标的特征，在连续的图像帧中寻找目标的位置。
具体而言，算法首先在初始帧中提取目标的特征，然后在后续帧中根据一定的策略寻找与该特征相似的区域，从而实现目标的跟踪。
四、现有目标跟踪算法的分类与介绍1. 基于特征的跟踪算法：该类算法主要依靠提取目标的特征进行匹配和跟踪，如SIFT、SURF等。
这些算法在光照变化、尺度变化等场景下具有一定的鲁棒性。
2. 基于模型的方法：该方法根据目标的外观、运动等特征建立模型进行跟踪，如支持向量机(SVM)、随机森林等。
这类方法对于动态背景和部分遮挡等情况具有一定的适应性。
3. 基于学习的跟踪算法：随着深度学习技术的发展，基于学习的跟踪算法成为主流。
该类算法利用大量的训练数据学习目标的特征，实现高精度的跟踪。
典型的算法包括基于孪生网络的Siamese跟踪器和基于区域的目标跟踪方法等。
这些方法在精度和鲁棒性方面都取得了显著的提升。
五、目标跟踪算法的优缺点分析各类目标跟踪算法具有各自的优缺点：基于特征的跟踪算法在计算效率和准确性之间取得平衡；基于模型的方法对于复杂场景的适应性较强；基于学习的跟踪算法在处理复杂背景和遮挡等情况下表现出较高的鲁棒性。
基于计算机视觉技术的目标检测与跟踪系统设计
基于计算机视觉技术的目标检测与跟踪系统设计目标检测与跟踪是计算机视觉领域中的重要研究方向，通过计算机视觉技术实现对特定目标的自动识别和跟踪。
在现实生活中，目标检测与跟踪系统有着广泛的应用，例如智能监控、自动驾驶、工业机器人等领域。
本文将基于计算机视觉技术，介绍目标检测与跟踪系统的设计原理和关键技术。
一、目标检测目标检测是指在图像或视频中，自动识别和定位感兴趣的目标物体。
目标检测任务可以分为两个主要步骤：目标定位和目标分类。
目标定位是通过边界框或像素级分割确定目标的具体位置，目标分类是对目标进行分类，判断其所属的类别。
为了实现准确的目标检测，我们可以利用卷积神经网络(CNN)模型进行特征提取和目标分类。
在目标检测中，常用的算法有R-CNN、Fast R-CNN、Faster R-CNN、YOLO等。
这些算法的核心思想在于将目标检测任务转化为候选框的生成和分类问题，通过对候选框进行分类和回归，得到最终的目标检测结果。
二、目标跟踪目标跟踪是指在连续的图像或视频中，追踪目标的运动轨迹和状态。
目标跟踪要解决的核心问题是对目标物体进行准确的定位和跟踪。
目标跟踪系统需要根据目标的外观特征和运动信息，在连续的图像帧中追踪目标的位置。
目标跟踪可分为单目标跟踪和多目标跟踪两种场景。
在单目标跟踪中，系统仅需跟踪一个目标，主要采用的算法有基于相关滤波器的方法、Kalman滤波器、粒子滤波器等。
而在多目标跟踪中，系统需要同时跟踪多个目标，常用的算法有多目标卡尔曼滤波器、多目标粒子滤波器、相关滤波器等。
三、基于计算机视觉技术的目标检测与跟踪系统设计1. 数据采集：目标检测与跟踪系统设计的第一步是收集与目标相关的图像和视频数据。
这些数据将用于训练和测试目标检测和跟踪模型。
数据采集过程中需要保证数据的多样性和覆盖性，同时注意数据的质量和标注准确性。
2. 特征提取：目标检测与跟踪系统需要对图像进行特征提取，以便进行目标分类和跟踪。
视频监控系统的识别和跟踪算法的研究
视频监控系统的识别和跟踪算法的研究随着技术的不断发展，视频监控系统的应用越来越广泛，从公共场所到家庭安防，已经成为我们生活中不可或缺的一部分。
在许多情况下，监控系统不仅需要实时监控，更需要能够识别和跟踪目标，才能发挥最大的作用。
本文将介绍一些视频监控系统中常用的目标识别和跟踪算法，并探讨它们的优缺点和适用场景。
一、目标识别算法1. 基于背景差分的目标检测算法这种算法是最常见的一种，主要是通过人工设定一个背景模型，当检测到视频中的图像与该模型存在差异时，便认为是有目标出现。
该算法简单易懂，而且在背景稳定的场景中效果很好。
但是当背景不稳定，比如有很多动态的物体时，这种算法的效果就会降低。
2. 基于特征提取的目标检测算法这种算法是通过在图像中提取一些具有代表性的特征，再通过分类器将目标与其他物体区分开来。
常用的特征包括色彩、形状、纹理等等。
该算法的优点是对场景的要求不高，可以应对一些比较复杂的场景。
但是由于对特征的提取和分类有一定的要求，需要较大的计算量，因此效率较低。
3. 基于深度学习的目标检测算法近年来，深度学习技术得到了广泛的应用，其中最具代表性的就是卷积神经网络（CNN）。
CNN可以自动提取图像特征，再通过分类器对目标进行识别。
这种算法的优点是准确率很高，可以应对非常复杂的场景。
但是由于需要大量训练数据和计算资源，因此对硬件的要求比较高。
二、目标跟踪算法1. 单目标跟踪算法这种算法主要是通过目标的运动信息来进行跟踪，常用的方法有基于颜色直方图的跟踪算法、基于卡尔曼滤波的跟踪算法等等。
其中基于颜色直方图的算法适用于场景比较简单的情况，而基于卡尔曼滤波的算法可以对目标的运动进行预测，效果比较好。
2. 多目标跟踪算法多目标跟踪相比于单目标跟踪更加复杂。
常用的算法有基于轨迹的跟踪算法、基于区域的跟踪算法等等。
其中基于轨迹的算法可以通过对目标运动轨迹的分析，来预测目标的下一步移动方向，进而进行跟踪。
而基于区域的算法则是通过将图像分割成多个区域，再对每个区域进行跟踪，从而提高跟踪的准确率。
基于光电信息技术的无人机目标检测与跟踪
基于光电信息技术的无人机目标检测与跟踪无人机目标检测与跟踪是无人机应用领域中的重要研究方向之一。
基于光电信息技术的无人机目标检测与跟踪技术，通过光电传感器采集目标的图像信息，并利用图像处理算法对目标进行特征提取、目标检测和目标跟踪，实现对目标的精确定位和追踪。
本文将介绍基于光电信息技术的无人机目标检测与跟踪的基本原理、关键技术和应用前景。
无人机目标检测与跟踪是无人机自主导航和目标监测的关键技术之一。
在无人机进行任务执行的过程中，能够准确地检测和跟踪目标，对无人机的智能决策和控制起到至关重要的作用。
同时，无人机目标检测与跟踪技术也在军事侦察、安防监控、灾害救援等领域具有广阔的应用前景。
在基于光电信息技术的无人机目标检测与跟踪中，光电传感器是关键的硬件设备。
通过光电传感器可以获取目标的图像信息，包括目标的外形、纹理、颜色等特征。
利用图像处理算法对目标的图像信息进行提取、分析和处理，从而实现目标的检测与跟踪。
目标检测算法包括传统的特征提取算法、模板匹配算法和基于深度学习的卷积神经网络算法等。
目标跟踪算法包括基于特征点匹配的算法、基于卡尔曼滤波的算法和基于深度学习的目标跟踪算法等。
目标检测是无人机目标检测与跟踪的第一步，其主要任务是在图像中确定目标的位置和区域。
传统的特征提取算法通过提取目标的纹理特征、颜色特征和边界特征等来进行目标检测。
但传统的特征提取算法存在对图像质量和光照条件敏感、计算复杂度高的问题。
基于深度学习的目标检测算法通过训练深度卷积神经网络来实现目标检测，在目标检测的准确率和鲁棒性方面取得了很大的突破。
目前，基于深度学习的目标检测算法已经成为无人机目标检测的主流算法。
目标跟踪是无人机目标检测与跟踪的关键环节，其主要任务是在目标被检测到后，对目标进行连续跟踪。
传统的目标跟踪算法主要基于特征点匹配或者目标的运动模型进行跟踪。
特征点匹配算法通过提取目标图像中的特征点，并通过特征点的匹配来实现目标的跟踪。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
摘要：相关匹配是目标跟踪和模式识别的一种重要方法。
介绍了ccd（电荷耦合器件）误差测量系统光学原理；针对该测量系统实际情况，提出了用相关算法实现目标位置的测量；使用自适应相关匹配的方法，实现了对连续视频图像中动态目标的跟踪；给出了实验结果，并对算法提出了改进的意见。
关键词：ccd测量图像处理自适应相关目标跟踪基于相关算法的目标跟踪是利用从以前图像中获得的参考模板，在当前图像中寻找最相似的区域来估计当前目标位置的方法。
它对于背景复杂、会有杂波噪声的情况具有良好的效果。
ccd （电荷耦合器件）测量技术是近年来发展迅速的一种非接触式测量技术。
ccd摄像器件在分辨率、动态范围、灵敏度、实时传输方面的优越性是其它器件无法比拟的，在动态飞行目标跟踪测量中发挥着重要的作用。
作者在ccd测量系统中使用相关匹配的方法，实现了对连续视频图像中动态目标的跟踪。
1 ccd误差测量系统原理在同一观测位置布置两台ccd，其视轴平行。
其中ccd1用于瞄准，ccd2用于跟踪飞行目标。
ccd1瞄准线和视轴重合，获得瞄准线和靶标之间的偏差角α。
ccd2获得飞行目标和靶标之间的偏差角β。
系统要求得到瞄准线和飞行目标之间的水平和垂直方向上的偏差角ψx、ψy。
因此规定ccd的视场中均以靶标十字中心为原点，向左和向上为正方向，将α、β分别投影到坐标轴上得到水平和垂直方向上的偏差角αx、αy、βx、βy。
两台ccd的视频轴平行，视轴间距远远小于ccd到目标的距离，因此可以认为两ccd的视轴重合。
所以有：ψx=αx-βx，ψy=αy-βy (1)图1是系统的原理图，图中靶板上的黑十字是靶标，虚线十字为瞄准分划板在靶板上的投影（由于实际靶板上没有，所以用虚线表示）。
2 图像处理算法的选择从系统的原理分析可知，要完成偏差角度的测量首先应当从图像中提取出各个目标在图像中的位置，再根据ccd当量（每像元对应的弧度数）算出水平和垂直方向的偏差角。
从ccd1的图像中的最靶标十字和瞄准分划板的位置，从ccd2的图像中提取靶标十字和飞行目标的位置。
由于飞行目标几乎贴地飞行，ccd视场中有复杂的地面背景。
而且靶标是不发光的暗目标，与背景灰度反差不大，很难将目标从背景中分离出来，因此只有采用相关处理技术来进行目标识别，才能实现瞄准误差和飞行轨迹的测量。
相关算法非常适合在复杂背景下识别和跟踪运行目标。
由于系统图像处理是事后处理，处理连续的大量视频图像，实时性要求不高，而对处理精度和自动处理程度要求较高，因此采用该算法。
本系统中相关处理将预先选定的目标或目标特定位置作为匹配样板，求取模板和输入图像间的相关函数，找出相关函数的峰值及所在位置，求判断输入图像是否包括目标图像及目标位置。
3 相关算法的原理及改进在机器识别事务的过程中，常把不同传感器或同一传感器在不同时间、成像条件下对同一景物获取的两幅或多幅图像在空间上对准，或根据已知模式在另一幅图像中寻找相应的模式，这就叫做匹配。
如果被搜索图中有待寻的目标，且同模板有一样的尺寸和方向，在图像匹配中使用相关匹配，就是通过相关函数找到它及其在被搜索图中的位置。
3.1 相关算法基于相关的目标跟踪寻找最佳匹配点，需要一个从以前图像中得以的模板。
在图2中设模板t为一个m×m的参考图像，搜索图s为一个n×n图像（m<n），t在s上平移，模板下覆盖的那块搜索图叫做子图si,j，（i,j）为子图左上角点在s中的坐标，叫参考点。
比较t和si,j的内容。
若两者一致，则它们的差为0。
用误差的平方和作为它们相似程度的测度：展开公式（2），则有：
公式（3）右边的第三项表示模板的总能量，是一个常数。
第一项是模板覆盖下的子图能量，随（i,j）位置而缓慢改变。
第二项是子图和模板的互相关，随（i,j）改变。
当模板和子图匹配时刻值最大。
因此可以用以下相关函数做相似性测度：
根据柯西-施瓦兹不等式可知公式（4）中0<r（i,j）≤1，并且仅在si,j(i,j)/[t(m,n)]为常数时，r(i,j)取最大值（等于1）。
相关法求匹配计算量很大，如图2所示的情况，要在（n-m+1）×（n-m+1）个参考位置上做相关计算，每次相关计算要做3m2次加法、3m2次乘法、1次除法、2次开方运算。
由于乘除法运算量最大，整个算法的时间复杂度大约为o((n-m+1) ×2×(3m2+1))。
整个运算过程中，除了匹配点一点以外，都是在非
匹配点上做无用功。
但是，模板匹配算法准确度较高，适合对大量的连续视频图像做自动处理。
3.2 自适应的相关匹配在相关匹配过程中目标的大小、形状等或者连续帧中的原点位置发生变化，都会引起图像相关偏离。
一旦模板不能和目标严格地匹配，那么最佳匹配点就不是目标的中心。
这会给相关算法造成误差。
虽然这个误差是随机的，但是它会随着相关处理逐帧积累。
如果积累了足够的帧数，模板会完全偏离目标。
增大模板也会引入误差。
这是因为，当模板大于目标时，模板中将有部分背景信息。
每帧中背景的变化，便引入了误差。
为了消除误差，必须尽可能地减少模板中的背景信息。
为了解决以上问题，引入了自适应的相关算法。
首先在图像的灰度直方图中寻找一个阈值，使大多数的像素，特别是背景像素都在阈值之下。
在图像中定出模板的位置，寻找一个区域使其边界的像素灰度从阈值之上变为阈值之下，作为目标的边界，这样，目标的位置是目标区域中的一个点，目标被一个矩形窗口框住，可以认为矩形的中心是目标的中心。
这样，系统补偿了逐帧匹配引起的偏离误差，减小了误差的积累。
自适应的窗口减小了引入过多背景元素而在相关过程中造成的影响。
3.3 减少运算量在ccd误差测量系统中，即使是事后处理，如果对每一帧图像进行全图搜索，其运算量仍然是巨大的。
从前面的分析可知，运算量同搜索图和模板的大小均有关系。
在本系统中，模板的大小基本是固定的，在这种情况下，减小搜索力瓣大小就成为了如何减少运算量的关键。
经过对系统实际的图像分析，发现连续的每一帧中同一目标的位置改变缓慢。
对算法进行改进，对于连续视频图像的第一帧做全图搜索，找出匹配点；对于后续各帖，在前一帧图像目标位置的基础上进行模板匹配，将当前帧搜索图定义为前一帧目标位置周围一个边长为n的正方形区域（目标位置不一定正方形的中心），在此较小的搜索图中进行相关匹配。
同时设定一个阈值r，如果相关系数量大值r（i,j）max<r,那么认为在该搜索图中没有找到目标，则进行整帧图像的搜索，否则接受匹配点为目标位置。
ccd误差测量系统跟踪动态目标，在对连续视频图像处理时，搜索图的大小应和运动速度有关。
如果图太小，有可能使目标不在搜索图内，而必须进行全图的匹配，如果图较大，又会增加运算的开销。
可以增加运动趋势的估计，使搜索图向运动趋势的方向平移。
对于当前帧搜索图区域的确定可以根据前两帧位置间的关系来确定，求前两帧位置水平和垂直坐标的差δx和δy来决定偏移的方向。
在有效的测量阶段，目标的运动基本是匀速的运行，在水平方向和垂直方向的速度变化不大。
因此，搜索图的平移量可以根据|δx|、|δy|来确定。
在当前帧中以前一帧的目标位置为新搜索图的中心，在各方向分别平移|δx|、|δy|个像素，得到当前的搜索图。