目标跟踪相关研究综述
多目标跟踪综述
结论：本次演示对多目标跟踪的研究现状、方法及应用进行了综述。多目标 跟踪作为一种重要的计算机视觉任务，其研究经历了起步、发展和突破等阶段， 目前已经应用于视频监控、智能交通、无人驾驶等多个领域中并取得了显著的实 验结果。然而，现有的多目标跟踪技术仍存在一些不足之处如复杂场景下的鲁棒 性和实时性问题等需要进一步研究和改进。
31、多目标跟踪的应用领域和实 验结果
多目标跟踪技术在许多领域都有应用，如视频监控、智能交通、无人驾驶、 体育分析等。在这些应用领域中，多目标跟踪技术都取得了显著的实验结果。例 如，在智能交通领域中，多目标跟踪技术可以帮助实现车辆的精确跟踪和交通流 量的优化；在无人驾驶领域中，多目标跟踪技术可以帮助实现车辆的自主导航和 对行人的精确识别。
多目标跟踪综述
基本内容
摘要：多目标跟踪是一种重要的计算机视觉任务，旨在在视频监控、智能交 通、无人驾驶等领域中实现同时对多个目标进行跟踪和识别的功能。本次演示对 多目标跟踪的研究现状、方法及应用进行了综述，总结了研究成果与不足，并指 出了未来研究方向。关键词：多目标跟踪，计算机视觉，目标跟踪，目标识别， 综述。
2、多目标跟踪的研究现状和发展历程多目标跟踪的研究现状表明，其方法 主要分为基于滤波的方法、基于机器学习的方法和基于深度学习的方法。其中， 基于滤波的方法主要包括卡尔曼滤波、扩展卡尔曼滤波等，这类方法主要适用于 线性高斯系统，但难以处理复杂非线性系统。
《2024年目标跟踪算法综述》范文
《目标跟踪算法综述》篇一一、引言目标跟踪作为计算机视觉领域中的一项关键技术，近年来在安防、无人驾驶、医疗影像处理等领域得到了广泛的应用。
其目的是通过一系列的图像处理和计算方法，实时准确地检测并跟踪特定目标。
本文将对当前主流的目标跟踪算法进行全面而详细的综述。
二、目标跟踪算法的发展历程早期的目标跟踪算法主要是基于滤波的跟踪算法，如均值漂移法等。
这些算法简单易行，但难以应对复杂多变的场景。
随着计算机技术的进步，基于特征匹配的跟踪算法逐渐兴起，如光流法、特征点匹配法等。
这些算法通过提取目标的特征信息，进行特征匹配以实现跟踪。
近年来，随着深度学习技术的发展，基于深度学习的目标跟踪算法成为了研究热点。
三、目标跟踪算法的主要分类与原理1. 基于滤波的跟踪算法：该类算法主要利用目标在连续帧之间的运动信息进行跟踪。
常见的算法如均值漂移法，通过计算当前帧与模板之间的差异来寻找目标位置。
2. 基于特征匹配的跟踪算法：该类算法通过提取目标的特征信息，在连续帧之间进行特征匹配以实现跟踪。
如光流法，根据相邻帧之间像素运动的光流信息来计算目标的运动轨迹。
3. 基于深度学习的跟踪算法：该类算法利用深度学习技术，通过大量的训练数据学习目标的特征信息，以实现准确的跟踪。
常见的算法如基于孪生网络的跟踪算法，通过学习目标与背景的差异来区分目标。
四、主流目标跟踪算法的优缺点分析1. 优点：基于深度学习的目标跟踪算法能够学习到目标的复杂特征信息，具有较高的准确性和鲁棒性。
同时，随着深度学习技术的发展，该类算法的跟踪性能不断提升。
2. 缺点：深度学习算法需要大量的训练数据和计算资源，且在实时性方面存在一定的挑战。
此外，当目标与背景相似度较高时，容易出现误跟或丢失的情况。
五、目标跟踪算法的应用领域及前景目标跟踪技术在安防、无人驾驶、医疗影像处理等领域具有广泛的应用前景。
例如，在安防领域，可以通过目标跟踪技术实现对可疑目标的实时监控；在无人驾驶领域，可以通过目标跟踪技术实现车辆的自主导航和避障；在医疗影像处理领域，可以通过目标跟踪技术实现对病灶的实时监测和诊断。
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。
目标追踪综述
01目标跟踪简介目标跟踪是计算机视觉领域的一个重要问题，目前广泛应用在体育赛事转播、安防监控和无人机、无人车、机器人等领域。
下面是一些应用的例子。
02目标跟踪任务分类了解了目标跟踪的用途，我们接下来看目标跟踪有哪些研究领域呢？目标跟踪可以分为以下几种任务：•单目标跟踪- 给定一个目标，追踪这个目标的位置。
•多目标跟踪- 追踪多个目标的位置•Person Re-ID- 行人重识别，是利用计算机视觉技术判断图像或者视频序列中是否存在特定行人的技术。
广泛被认为是一个图像检索的子问题。
给定一个监控行人图像，检索跨设备下的该行人图像。
旨在弥补固定的摄像头的视觉局限，并可与行人检测/行人跟踪技术相结合。
•MTMCT - 多目标多摄像头跟踪（Multi-target Multi-camera Tracking），跟踪多个摄像头拍摄的多个人•姿态跟踪- 追踪人的姿态按照任务计算类型又可以分为以下2类。
•在线跟踪- 在线跟踪需要实时处理任务，通过过去和现在帧来跟踪未来帧中物体的位置。
•离线跟踪- 离线跟踪是离线处理任务，可以通过过去、现在和未来的帧来推断物体的位置，因此准确率会在线跟踪高。
03目标跟踪的困难点虽然目标追踪的应用前景非常广泛，但还是有一些问题限制了它的应用，我们看下有哪些问题呢？•形态变化- 姿态变化是目标跟踪中常见的干扰问题。
运动目标发生姿态变化时, 会导致它的特征以及外观模型发生改变, 容易导致跟踪失败。
例如:体育比赛中的运动员、马路上的行人。
•尺度变化- 尺度的自适应也是目标跟踪中的关键问题。
当目标尺度缩小时, 由于跟踪框不能自适应跟踪, 会将很多背景信息包含在内, 导致目标模型的更新错误:当目标尺度增大时, 由于跟踪框不能将目标完全包括在内, 跟踪框内目标信息不全, 也会导致目标模型的更新错误。
因此, 实现尺度自适应跟踪是十分必要的。
•遮挡与消失- 目标在运动过程中可能出现被遮挡或者短暂的消失情况。
基于检测的多目标跟踪算法综述
基于检测的多目标跟踪算法综述一、本文概述随着计算机视觉技术的快速发展，多目标跟踪（Multi-Object Tracking，MOT）算法在视频监控、自动驾驶、人机交互等领域的应用日益广泛。
多目标跟踪算法旨在从视频序列中准确地识别并持续跟踪多个目标对象，为上层应用提供稳定、连续的目标状态信息。
本文旨在对基于检测的多目标跟踪算法进行全面的综述，分析各类算法的优势与不足，并探讨未来的发展趋势。
本文将介绍多目标跟踪算法的研究背景与意义，阐述其在各个领域的应用价值。
本文将对基于检测的多目标跟踪算法进行详细的分类和介绍，包括基于滤波的方法、基于数据关联的方法、基于深度学习的方法等。
对于每类算法，本文将分析其基本原理、实现步骤以及优缺点，并通过实验数据对其性能进行评估。
本文还将讨论多目标跟踪算法面临的挑战，如目标遮挡、目标丢失、场景变化等问题，并探讨相应的解决方案。
本文将展望多目标跟踪算法的未来发展趋势，提出可能的研究方向和应用前景。
通过本文的综述，读者可以全面了解基于检测的多目标跟踪算法的研究现状和发展趋势，为相关领域的研究和应用提供有益的参考。
二、基于检测的多目标跟踪算法的基本原理基于检测的多目标跟踪算法（Detection-Based Multi-Object Tracking，DBT）是计算机视觉领域的一个重要研究方向。
其主要原理是将目标检测和目标跟踪两个任务结合起来，通过利用目标检测算法提供的目标位置信息，实现多目标在连续视频帧中的持续跟踪。
目标检测：通过目标检测算法（如Faster R-CNN、YOLO等）在每一帧图像中检测出所有感兴趣的目标，并获取它们的位置信息（如边界框）。
特征提取：对于每个检测到的目标，提取其视觉特征（如颜色、纹理、形状等）或运动特征（如速度、加速度等），以便在后续的跟踪过程中进行匹配和识别。
数据关联：在连续的视频帧中，通过数据关联算法（如匈牙利算法、Joint Probabilistic Data Association等）将当前帧中的目标与前一帧中的目标进行匹配，形成目标的轨迹。
目标跟踪算法综述
目标跟踪算法综述目标跟踪算法综述目标跟踪是计算机视觉领域的一项重要任务，它的目标是在视频中准确地跟踪一个或多个特定的目标。
目标跟踪技术在各个领域都有广泛的应用，比如视频监控、自动驾驶、智能交通系统等。
随着计算机性能的提高和人工智能的发展，目标跟踪算法也在不断地得到改进和创新。
本文将对目标跟踪算法的发展进行综述。
目标跟踪算法主要分为传统的基于模型的方法和基于深度学习的方法。
传统的基于模型的方法主要包括卡尔曼滤波器、粒子滤波器、相关滤波器等。
这些方法首先通过对目标进行建模，然后通过观察视频序列中的目标状态来更新模型，从而实现跟踪。
由于这些方法对目标的形状、运动等进行了建模，因此在目标快速运动、形变、遮挡等情况下表现较好。
但是，这些方法对于复杂的场景以及目标外观的变化较为敏感。
近年来，随着深度学习的兴起，基于深度学习的目标跟踪算法也取得了显著的进展。
深度学习通过神经网络模型对目标进行建模，并使用大量标注数据进行训练。
这种方法通过深度学习网络从图像中提取特征，并根据提取的特征进行目标检测和跟踪。
深度学习方法具有良好的泛化能力和鲁棒性，在复杂的场景下表现优秀。
然而，由于深度学习方法需要大量的训练数据和计算资源，其运行速度较慢。
基于深度学习的目标跟踪算法主要包括基于卷积神经网络（CNN）的方法和基于循环神经网络（RNN）的方法。
基于CNN 的方法通过在网络中使用卷积层和池化层，对目标进行特征提取和表示。
这些方法一般将目标跟踪问题视为图像分类或目标检测问题，通过对目标进行分类或定位来实现目标跟踪。
基于RNN的方法则通过对时间序列数据进行建模，利用循环神经网络对目标进行跟踪。
这些方法一般采用LSTM或GRU等循环神经网络结构来对目标状态进行建模，并通过时间序列数据来更新模型。
除了基于模型和深度学习的方法，还有一些其他的目标跟踪算法，例如基于边界框的方法、基于稀疏表示的方法、基于流场的方法等。
这些方法各有特点，在不同的场景和需求下有着不同的应用。
《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中的一个重要研究方向，其核心在于通过图像序列分析，实现对特定目标的定位与追踪。
随着深度学习、人工智能等技术的飞速发展，目标跟踪算法在军事、安防、自动驾驶、医疗等多个领域均展现出其巨大应用潜力。
本文将对目标跟踪算法进行全面综述，包括其基本原理、研究现状以及未来发展等方面。
二、目标跟踪算法的基本原理目标跟踪算法的基本原理主要依赖于图像序列中的特征提取与匹配。
其基本步骤包括：初始化目标位置、特征提取、特征匹配与更新、目标位置预测等。
首先，在视频序列的初始帧中确定目标的位置；然后，通过提取目标的特征信息，如颜色、形状、纹理等；接着，利用这些特征信息在后续帧中进行匹配，以实现目标的跟踪；最后，根据匹配结果进行目标位置的预测与更新。
三、目标跟踪算法的研究现状（一）传统目标跟踪算法传统目标跟踪算法主要包括基于特征的方法、基于模型的方法和基于滤波的方法等。
其中，基于特征的方法主要通过提取目标的局部特征进行匹配；基于模型的方法则是通过建立目标的模型进行跟踪；基于滤波的方法则利用滤波器对目标进行预测与跟踪。
这些方法在特定场景下具有一定的有效性，但在复杂场景下往往难以取得理想的跟踪效果。
（二）深度学习在目标跟踪中的应用随着深度学习技术的发展，其在目标跟踪领域的应用也日益广泛。
深度学习能够自动提取目标的深层特征，提高跟踪的准确性与鲁棒性。
基于深度学习的目标跟踪算法主要包括基于孪生网络的方法、基于相关滤波与深度学习的结合方法等。
这些方法在复杂场景下取得了较好的跟踪效果。
四、常见的目标跟踪算法及其优缺点（一）基于相关滤波的跟踪算法该类算法利用相关滤波技术对目标进行跟踪，具有较高的计算效率。
但其缺点是对于复杂场景的适应性较差，容易受到光照变化、形变等因素的影响。
（二）基于深度学习的跟踪算法该类算法通过深度学习技术自动提取目标的特征信息，具有较高的准确性。
但其计算复杂度较高，对硬件设备要求较高。
多模态目标跟踪综述
多模态目标跟踪是计算机视觉领域的一个重要研究方向，它涉及到多个模态数据（如视频、图像、激光雷达等）的联合处理，旨在实现对目标对象的实时跟踪。
随着人工智能技术的发展，多模态目标跟踪已经成为了许多实际应用的关键技术，如自动驾驶、智能监控、机器人等领域。
本文将对多模态目标跟踪的综述进行阐述。
多模态目标跟踪的主要挑战包括数据融合、模型设计、算法优化等方面。
首先，数据融合是多模态目标跟踪的核心问题之一，它涉及到如何将不同模态的数据进行有效的整合，以便更准确地识别和跟踪目标。
例如，视频和图像数据可以提供目标的外观信息，而激光雷达数据可以提供目标的运动信息。
其次，模型设计是实现多模态目标跟踪的关键，它需要根据不同的模态数据特点，设计相应的跟踪算法和模型结构。
最后，算法优化也是实现高精度、高鲁棒性的多模态目标跟踪的重要手段，包括优化算法参数、改进模型性能等方面。
针对多模态目标跟踪的问题，目前已经提出了许多不同的方法和算法。
其中，基于滤波器的跟踪算法是一种常用的方法，它通过建立目标状态的概率模型，对目标位置和速度进行估计。
基于深度学习的跟踪算法也是近年来兴起的一种方法，它通过利用卷积神经网络（CNN）等深度学习模型对目标特征进行学习，实现对目标的实时跟踪。
此外，还有一些基于光流场的方法、基于稠密预测的方法等，这些方法各有优缺点，需要根据实际应用场景和数据特点进行选择。
多模态目标跟踪的应用场景非常广泛，包括但不限于自动驾驶、智能监控、机器人等领域。
在自动驾驶中，多模态目标跟踪可以帮助车辆识别和跟踪道路上的行人、车辆等目标对象，提高自动驾驶的安全性和可靠性。
在智能监控中，多模态目标跟踪可以帮助实时监测和分析视频中的目标行为，实现智能分析和预警。
在机器人领域中，多模态目标跟踪可以帮助机器人实现对周围环境的感知和理解，提高机器人的自主性和智能化水平。
未来多模态目标跟踪的研究方向包括更加智能化、更加高效化、更加鲁棒化的方法。
- 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)。
Artificial Intelligence and Robotics Research 人工智能与机器人研究, 2015, 4(3), 17-22Published Online August 2015 in Hans. /journal/airr/10.12677/airr.2015.43003A Survey on Object TrackingJialong XuAviation Military Affairs Deputy Office of PLA Navy in Nanjing Zone, Nanjing JiangsuEmail: pugongying_0532@Received: Aug. 1st, 2015; accepted: Aug. 17th, 2015; published: Aug. 20th, 2015Copyright © 2015 by author and Hans Publishers Inc.This work is licensed under the Creative Commons Attribution International License (CC BY)./licenses/by/4.0/AbstractObject tracking is a process to locate an interested object in a series of image, so as to reconstruct the moving object’s track. This paper presents a summary of related works and analyzes the cha-racteristics of the algorithm. At last, some future directions are suggested.KeywordsObject Tracking, Track Alignment, Object Detection目标跟踪相关研究综述徐佳龙海军驻南京地区航空军事代表室，江苏南京Email: pugongying_0532@收稿日期：2015年8月1日；录用日期：2015年8月17日；发布日期：2015年8月20日摘要目标跟踪就是在视频序列的每幅图像中找到所感兴趣的运动目标的位置，建立起运动目标在各幅图像中的联系。
本文分类总结了目标跟踪的相关工作，并进行了分析和展望。
徐佳龙关键词目标跟踪，轨迹校正，目标检测1. 引言目标跟踪是在一段视频序列中定位感兴趣的运动目标，并形成目标运动的路径或轨迹。
它在对运动目标图像的分析和应用中产生，并成为计算机视觉领域中视频分析的基本内容之一，实质上是在捕获到的目标初始状态和通过特征提取得到的目标特征基础上，进行一种时空结合的目标状态估计。
目标跟踪在智能监控、视频检索等领域均有广泛的应用[1]-[3]。
本文旨在总结目标跟踪的相关工作，并进行分析和展望。
本文主要内容安排如下：第二节是对相关工作的总结，主要包括运动目标的表示与建模、特征选取、目标检测和目标跟踪；第三节是总结与展望。
2. 相关工作根据目标跟踪的一般计算流程，本文分以下几个方面对相关工作分别进行描述：运动目标的表示与建模、特征选取、目标检测和目标跟踪，下面进行具体描述。
2.1. 运动目标表示与建模在目标跟踪场景中，任何感兴趣的事物都可以作为跟踪目标，如在大海上行驶的船只、水族馆中的游鱼、路上行驶的车辆、空中飞行的飞机、街道上的行人甚至水中的水泡都可以作为跟踪目标，因为在一些特定的场景中这些目标的跟踪有着非常重要的意义。
跟踪目标一般来说可以由目标的形状或外观来表示。
图1给出了目标模型的分类。
从大的方面，目标表示方法所获得的模型可以分为形状模型和综合模型，形状模型只考虑目标形状这一个因素，而综合模型则考虑形状和外观两方面的因素对目标进行表示。
Figure 1. Classification of the object model图1. 目标模型的分类徐佳龙形状模型中，单一模型包括：♦点表示法：将目标由一点来表示，如由目标的中心点表示，或是由目标轮廓上的一系列关键点表示。
♦基本几何形状表示法：目标由一个框定目标区域的矩形或是椭圆形表示，在目标的运动过程中经常会发生目标运动的仿射变化、投影变化等形状上的改变。
♦目标的轮廓和剪影表示法：轮廓的定义是指目标的边界；目标轮廓的内部区域称为目标的剪影。
组合模型则是在单一模型基础上，对复杂目标模型的组合，目前主要有两种方法：♦铰接形状模型表示法：铰接目标指的是有多个部分通过关节铰接在一起的目标。
♦骨架模型表示方式：目标的骨架模型可通过中轴变换从目标轮廓提取。
这种模型表示方式一般应用于目标识别。
综合模型是近年来兴起的一种目标建模方法，在实际跟踪中，目标的形状表示与目标的外形特征表示结合在一起。
下面是一些目标跟踪中常用的表示方法。
♦概率密度模型表示法：目标外形特征的概率密度估计可以是有参数的如高斯模型、混合高斯模型，或是无参的密度估计比如Parzen windows和直方图方式[18]。
♦模板表示法：模板一般使用一些简单的结合形状或是轮廓表示。
使用模板的目标表示方法的最大优点是，模板同时包含了目标的空间信息和外形信息。
♦主动外观模型法(Active appearance model)：主动外观模型是通过对目标的外观和形状同时建模得出的。
一般来讲，目标的形状是由一系列的界标表示的。
♦多视点外形模型法：可以对目标的不同视角进行编码。
其中的一种方法是在给定的视点中提取不同的子空间来表示不同视点的目标。
目标的表示是目标跟踪的基础，在目标跟踪过程中有着非常重要的意义。
一个好的目标表示方法很大意义上能决定跟踪的成败与跟踪的性能。
目标的表示到现在为止还没有一个统一的表示方法，一般都是基于不同的特定的跟踪场景选择目标的表示方式。
2.2. 特征选择特征选取需考虑以下三方面问题：1) 鲁棒性，这主要是由于遮挡、光照变化及视角不同等造成的图像表象的变化，比如，边缘特征对场景中光线的变化不敏感，角点特征在图像中有很好的定位性；2) 简洁性，即用少量特征信息来描述目标，大大压缩目标的信息量，使整个算法简洁，也方便后续的处理；3) 可计算性，即特征的获得可能需要一定的图像处理方法，需要特征具有可检测性。
实践证明，目标跟踪算法中选取什么样的特征，很多情况下并没有一个有章可循的方法。
但是，特征选取的结果却会对跟踪的效率影响很大。
特征的选择与目标的表示方法密切相关的，比如说，颜色可以作为基于直方图的外观目标表示方法的特征，在很多情况下跟踪算法是使用多种特征的，一些主要的目标跟踪特征如下：①颜色特征。
一个物体的颜色主要由两个物理特征因素决定。
一个是光照环境；另外一个是目标表面的反射特性。
在图像处理中RGB (Red, Green, Blue)颜色空间通常被用来表示颜色。
②边缘特征。
边缘定义为两个强度明显不同的区域之间的过渡，图像的梯度函数即图像灰度变化的速率将在这些过渡边界上存在最大值。
③光流特征。
光流是一个密集场位移矢量，用来确定每一个地区的像素。
光流计算使用亮度限制，假定相邻帧的亮度相素恒定。
④纹理特征。
关于图像纹理并不存在严格的一般定义，我们把灰度分布性质或图像表面呈现出的方向信息称为纹理结构，它有助于区别不同的图像区域。
徐佳龙多数特征选取取决于其应用领域。
然而，特征的自动选取问题已经引起了模式识别界的极大关注。
自动特征选择方法可分为过滤器法和封装法。
过滤器法是基于一般标准选取特征，比如，特征无关联性。
以上所有特征中，颜色是跟踪中使用的最广泛的特征。
在使用的过程中，目标重心、边缘、面积、矩和颜色等一般作为整体特征；线段、曲线段和角点等则为局部特征提取结果；另外，还可将各种距离和特征间的几何关系组合成新的特征。
2.3. 目标检测与目标的表示方法和所选取的特征相对应，目标检测方法分为点检测、图像分割、背景建模、监督分类等四种。
其中，典型的点检测方法有角点检测算法[4]、尺度不变特征转换(Scale Invariant Feature Transform)[5]、仿射不变点检测法(Affine Invariant Point Detector)[6]；图像分割方法则以均值平移(Mean-shift) [7]、图分割(Graph-cut) [8]、主动轮廓模型(Active contours) [9]等为代表；背景建模法包括混合高斯模型[10]、特征背景模型[11]、Wall flower [12]、动态纹理背景模型(Dynamic texture background) [13]；监督分类的典型方法为支持矢量机(Support Vector Machines)[14]、神经网络(Neural Networks)[15]、Adaptive Boosting [16]。
2.4. 跟踪算法为了克服由噪音、遮挡和复杂环境下引起的目标或背景的变化，已有许多目标跟踪算法被提出。
不同算法对目标(外观、形状、数目)、相机数目及运动形式、目标运动形式、光照条件等都有不同要求。
根据在目标检测所选择的特征不同，可以将跟踪算法分为点跟踪、核跟踪、轮廓跟踪和形状匹配。
点跟踪选取点特征作为目标检测的依据，以预测目标在下一帧的位置再根据实际图像进行修正为主要解决思路，图2给出了各种运动约束形式的示意图，各图中，◦表示目标在第(t − 1)帧的位置，x代表第t帧中目标的可能位置。
核跟踪方法可以选择模板等特征，典型算法有简单模板匹配、均值平移(Mean-shift)；也可以采用多视点外观模型，典型方法有Eigentracking[17]、支持矢量机[18]等。
这类方法的主要目的是通过匹配的方式估计目标的运动，一般对目标采用模板表示法或概率密度模型表示法，施加的约束条件有运动模型约束(匀速或常加速等)和光流约束条件[19]。
轮廓跟踪的方法以活动轮廓模型为典型代表[20]。
相对基于区域的跟踪，此类方法对于描述物体较为简单而有效率，可以减少运算的复杂程度。
2.5. 形状匹配像人体目标这样的复杂目标一般不能用简单几何形状来表示，一般根据前几帧的检测结果生成复杂的形状模型来表示。
比如，人体形状除了可以用线图法和二维轮廓简单近似外，还有利用广义锥台、椭圆柱、球等三维模型来描述人体的结构细节的立体模型和层次模型(包括四个层次：骨架、椭圆球体模拟组织和脂肪、多边形表面代表皮肤、阴影渲染)。
形状匹配法通过将目标模型投影到图像数据进行匹配来完成目标跟踪，而形状模型则可以根据先验知识获取，通常利用离线的人工测量、计算机辅助设计(CAD)和计算机视觉技术来构造模型[21]。