人体目标检测与跟踪算法研究
物联网环境中人体移动目标跟踪算法的使用方法与精度分析
物联网环境中人体移动目标跟踪算法的使用方法与精度分析随着物联网技术的不断发展，人体移动目标跟踪在环境监测和智能安防等领域中扮演着重要的角色。
在物联网环境中，通过利用传感器、摄像头和无线通信等技术，可以对物体的位置、行为等信息进行实时跟踪和监测。
本文将介绍物联网环境中人体移动目标跟踪算法的使用方法，并对其精度进行分析。
一、人体移动目标跟踪算法的使用方法人体移动目标跟踪算法主要包括目标检测、目标跟踪和目标预测三个步骤。
以下是该算法的使用方法：1. 目标检测目标检测是指在物联网环境中对目标进行识别和定位，常用的方法包括基于图像处理和机器学习的算法。
首先，需要获取图像或视频，并对其进行预处理，包括去噪、灰度化和图像增强等操作。
然后，可以利用传统的图像处理方法，如边缘检测、轮廓提取和特征匹配等，进行目标的初步检测。
此外，也可以采用深度学习技术，如卷积神经网络（CNN）和循环神经网络（RNN），训练模型进行目标检测。
2. 目标跟踪目标跟踪是指在物联网环境中对目标进行持续追踪，以获取目标的运动轨迹和状态等信息。
常用的目标跟踪算法包括基于卡尔曼滤波器和粒子滤波器的算法。
通过利用传感器和摄像头等设备获取目标的位置和速度等信息，可以使用卡尔曼滤波器对目标进行预测和跟踪。
而粒子滤波器则通过采样和重采样的方法，对目标的状态进行估计和更新，以实现目标的准确跟踪。
3. 目标预测目标预测是指在物联网环境中对目标的未来位置和行为进行预测。
常用的目标预测算法包括基于轨迹分析和机器学习的算法。
通过对目标的历史运动轨迹进行分析和建模，可以预测目标的未来位置和运动趋势。
此外，也可以利用深度学习技术，如循环神经网络（RNN）和长短期记忆网络（LSTM），对目标的行为模式进行学习和预测。
二、人体移动目标跟踪算法的精度分析人体移动目标跟踪算法的精度是评价算法性能的重要指标之一，其主要体现在目标的定位精度和跟踪稳定性两个方面。
1. 定位精度定位精度是指算法对目标位置的准确度，常用的评价指标包括平均定位误差和定位误差方差等。
目标检测与跟踪算法的研究与应用
目标检测与跟踪算法的研究与应用摘要：目标检测与跟踪是计算机视觉领域的重要研究方向，广泛应用于自动驾驶、智能监控、人脸识别等领域。
本文将介绍目标检测与跟踪的基本概念、常用算法以及在实际应用中的一些挑战和解决方法。
1. 引言目标检测与跟踪是计算机视觉和图像处理领域的核心问题之一。
目标检测主要是通过算法从图像或视频中识别出感兴趣的目标物体，并对其进行定位和分类。
目标跟踪则是在序列图像或视频中，根据目标物体的先前信息，追踪目标物体在连续帧中的位置和形态变化。
2. 目标检测算法目标检测算法主要分为两类：传统方法和深度学习方法。
传统方法包括基于特征的算法（如Haar特征、HOG特征和SIFT特征）和基于学习的算法（如AdaBoost和支持向量机）。
这些算法在处理速度和准确性方面有一定的优势，但在复杂场景中性能有限。
深度学习方法则采用神经网络结构，通过大规模数据集的训练，能够达到更高的准确性和鲁棒性。
主要的深度学习方法包括卷积神经网络（CNN）和区域生成网络（R-CNN）。
3. 目标跟踪算法目标跟踪算法主要分为两类：基于特征的算法和基于深度学习的算法。
基于特征的算法主要利用目标物体在连续帧中的位置和外观特征进行匹配，如相关滤波器和粒子滤波器。
这些算法在目标物体尺度变化、遮挡和背景杂乱等情况下存在一定的限制。
基于深度学习的算法则通过神经网络进行目标跟踪，通过对大量数据的学习，可以在各种复杂情况下实现高精度跟踪。
主要的基于深度学习的算法包括循环神经网络（RNN）和长短时记忆网络（LSTM）。
4. 应用现状与挑战目标检测与跟踪算法在各种实际应用中得到了广泛的应用。
在自动驾驶领域，目标检测与跟踪算法可以识别道路上的车辆、行人和交通标志，并实现车辆的自主导航和交通规则遵守。
在智能监控领域，目标检测与跟踪算法可以识别异常行为并报警，有效提高安全性。
在人脸识别领域，目标检测与跟踪算法可以识别人脸并进行身份验证和人脸表情识别。
监控视频中的人体目标检测技术研究
监控视频中的人体目标检测技术研究近年来，随着监控设备技术的快速发展，监控摄像头被应用于越来越多的领域，而监控视频中的人体目标检测技术就是其中一项重要的应用之一。
本文将以此为主题，从其发展历程、技术原理、优势与不足等多个方面进行综述。
一、发展历程人体目标检测技术的发展，可以追溯到上世纪90年代。
在当时，监控摄像头的应用范围主要集中于监控式样，如现场的人流量统计、安保方面的监控等。
而人体目标检测技术作为监控技术的重要组成部分，开始被人们关注并逐步成熟。
随着先进计算机视觉技术的快速发展，人体目标检测技术在不断更新和演进。
从精度到速度，从单个目标到多个目标，从2D接近到3D重建和虚拟现实，各种不同算法和技术的出现，为这一领域的发展注入了新的活力和动力。
二、技术原理人体目标检测技术，简单来说，就是对视频图像中的人体目标进行自动识别，并进行跟踪和分析。
该技术通常涵盖以下几个方面的内容：1.目标检测通过采用各种先进视觉技术的组合，挖掘视频图像中的特征信息，形成一个特征向量，并将其与预先训练好的模型进行比对，完成对人体目标的自动检测。
2.目标跟踪在人体目标检测后，系统要根据已知的人体目标信息，进行目标跟踪。
跟踪过程主要采用各种不同的跟踪算法，根据目标的位置、运动等情况，进行精确定位。
3.目标识别了解人体位置后，还需进行人体的识别。
采用先进的识别算法和人体身份信息，来完成对人体目标的自动识别。
三、优势人体目标检测技术，其应用优势十分明显。
1.提高效率传统的监控方式需要对监控摄像头进行人工监控，这种方法不仅费时费力，而且人工监控会因为人员疲劳、分心等原因导致监控效果不理想。
而采用人体目标检测技术后，可以快速地完成对多个画面的检测和识别，提高了效率。
2.减少成本人体目标检测技术的自动化和智能化程度高，省去了大量人力投入，因此可以大大减少劳动力成本。
3.提高安全人体目标检测技术可以快速对违规行为、异常事件等进行快速响应，并及时发出警报，提高安全水平。
医学图像中的目标检测和跟踪算法研究
医学图像中的目标检测和跟踪算法研究随着医学图像技术的不断发展，医学图像已经成为了医学诊断和治疗中必不可少的工具。
在医学图像中，目标检测和跟踪算法是其中最重要的一部分。
通过目标检测和跟踪算法，医学图像可以自动地识别和跟踪感兴趣的目标，从而帮助医生进行更加准确和高效的诊断与治疗。
目标检测算法可以自动从医学图像中分割出感兴趣的目标区域。
在医学图像中，目标可能是肿瘤、血管、骨骼等。
医学目标图像通常具有高度的变形和模糊性，因此目标检测算法需要具有高度的鲁棒性和准确性。
目前常用的医学目标检测算法包括基于特征的检测算法和基于深度学习的检测算法。
基于特征的检测算法通常使用手工设计的特征描述符进行目标检测。
这些特征描述符通常包括梯度、颜色、纹理等信息。
基于特征的检测算法有很好的计算效率和鲁棒性，适合于对规则化目标的检测，例如骨骼和器官。
然而，当目标形态高度变化时，基于特征的检测算法通常难以适应。
基于深度学习的检测算法则可以对变化较大的医学目标进行准确的检测。
深度学习模型可以自动地从大量的医学图像数据中学习出感兴趣目标的特征表达。
常用的深度学习方法包括卷积神经网络（CNN）和区域卷积神经网络（RCNN）。
通过利用深度学习的方法，目标检测算法的准确率和稳定性可以显著提升。
目标跟踪算法可以跟踪医学图像中的感兴趣目标，并在其运动或形态发生变化时自适应地更新跟踪模型。
目前常用的医学图像跟踪算法包括基于特征的跟踪算法和基于深度学习的跟踪算法。
基于特征的跟踪算法通常使用手工设计的特征描述符进行目标跟踪。
这些特征描述符通常包括颜色、纹理、形状等信息。
基于特征的跟踪算法计算速度快，适合于对实时要求较高的医学图像处理场景。
在一些要求高精度的场景，基于特征的跟踪算法通常难以适应。
基于深度学习的跟踪算法则可以对变化较大的医学目标进行准确的跟踪。
深度学习模型可以自动地从大量的医学图像数据中学习出感兴趣目标的特征表达和运动模式。
常用的深度学习跟踪算法包括Siamese网络和区域跟踪网络（RTN）。
目标检测与跟踪的研究热点以及发展趋势
⽬标检测与跟踪的研究热点以及发展趋势⽬标检测与跟踪的研究热点以及发展趋势:1) 场景信息与⽬标状态的融合场景信息包含了丰富的环境上下⽂信息, 对场景信息进⾏分析及充分利⽤, 能够有效地获取场景的先验知识, 降低复杂的背景环境以及场景中与⽬标相似的物体的⼲扰; 同样地, 对⽬标的准确描述有助于提升检测与跟踪算法的准确性与鲁棒性. 总之,尝试研究结合背景信息和前景⽬标信息的分析⽅法,融合场景信息与⽬标状态, 将有助于提⾼算法的实⽤性能.2) 多维度、多层级信息融合为了提⾼对运动⽬标表观描述的准确度与可信性, 现有的检测与跟踪算法通常对时域、空域、频域等不同特征信息进⾏融合,综合利⽤各种冗余、互补信息提升算法的精确性与鲁棒性. 然⽽, ⽬前⼤多算法还只是对单⼀时间、单⼀空间的多尺度信息进⾏融合, 研究者可以考虑从时间、推理等不同维度, 对特征、决策等不同层级的多源互补信息进⾏融合, 提升检测与跟踪的准确性.3) 基于深度学习的特征表达基于深度学习的特征表达具有强⼤的分层⾃学习能⼒, 能深度地挖掘隐含在数据内部间的潜在关系. 其中, 基于卷积神经⽹络的特征表达⽅法效果尤为突出, 近年来取得了显著的检测效果[126¡128]. 同时, 深度学习框架相继开源[92¡98], 为思想的碰撞与交融带来了更多可能. 然⽽, 基于深度学习的特征表达⽅法也存在⼀些问题尚未定论, 如深度学习的层数以及隐层节点个数如何确定, 深度学习所学得特征的优劣如何评价等. 因此, 对基于深度学习的特征表达⽅法的进⼀步研究可能会产⽣突破性成果, 最终将促进该领域的发展.4) 基于核的⽀持向量机分类⽅法⽀持向量机 (SVM) 因其分类性能优良、操作实现简单等特性, 仍是⽬前倍受青睐的常⽤分类⽅法之⼀, 尤其是核⽅法的引⼊更使其性能得以极⼤提升. 然⽽, 其最⼤的优点也是其最致命的弱点, 其分类性能也会极⼤地依赖于核的选取, 尽管⽬前已经开展了相当⼀部分的⼯作[133; 135; 137], 但对于不同分类任务下的核⽅法的选取, 仍然还没有⼀个普遍通⽤的定论. 因此, 如何根据实际分类需求, 选取合适的核⽅法仍需进⼀步探索.5) ⾼维数据的分类⽅法随着分类任务研究的发展, 分类中所使⽤的视觉单词的⼤⼩不断地增加, 其相应的图像表达数据维度也与⽇俱增, 传统的单个分类器已经难以满⾜⾼维数据的分类要求. ⽬前, 普遍的做法是将多个分类器集成在⼀起, 以获取分类性能更好的强分类器.然⽽, 集成分类器⽅法也存在⼀些问题尚未定论, 如⼦分类器如何选取与组合, 如何在不降低分类性能的情况下使分类器数量尽可能少等. 因此, 研究⼦分类器模型的产⽣、调整以及整合, 将有助于适应⾼维数据的分类任务.来源：基于视觉的⽬标检测与跟踪综述尹宏鹏，陈波，柴毅，... - 《Acta Automatica ... - 2016 - 被引量: 0基于视觉的⽬标检测与跟踪是图像处理、计算机视觉、模式识别等众多学科的交叉研究课题,在视频监控、虚拟现实、⼈机交互、⾃主导航等领域,具有重要的理论研究意义和实际应⽤价值.本⽂对⽬标检测与跟踪的发展历史、研究现状以及典型⽅法给出了较为全⾯的梳理和总结.⾸先,根据所处理的数据对象的不同,将⽬标检测分为基于背景建模和基于前景建模的⽅法,并分别对背景建模与特征表达⽅法进⾏了归纳总结.其次,根据跟踪过程有⽆⽬标检测的参与,将跟踪⽅法分为⽣成式与判别式,对基于统计的表观建模⽅法进⾏了归纳总结.然后,对典型算法的优缺点进⾏了梳理与分析,并给出了其在标准数据集上的性能对⽐.最后,总结了该领域待解决的难点问题,对其未来的发展趋势进⾏了展望.计算机视觉 / ⽬标检测 / ⽬标跟踪 / 背景建模 / 表观建模。
运动人体的检测跟踪方法的研究与实现
关 键 词 视频监控 运 动 检 测 运 动跟 踪 背 景 自适 应 Ｋ ｉ ｎ滤 波 ａ ｍａ
ｏＮ ＤＥＴＥＣＴＩ ＮＧ ＡＮＤ ＴＲＡＣＫＩ ＮＧ ＥＴＨ ＯＤ ｏＶＩ Ｍ ＯＦ Ｍ ＮＧ ＢｏＤＩ ＥＳ
ＡＮＤ ＴＳ ＲＥＡＵ ＺＡＴＩ Ｉ ｏＮ
人体形状 的跟 踪等 。文献 ［ ］ 二者加 以结 合 ， ３将 很好地 解决 了 多个 同向运动人体 的分 离与远处较小人体影像的跟踪 。
本文将从实验室 的环境 出发 ， 模拟外部世界 固定场景 ， 来对
机 、 以及 图像处理 、 等技术 的飞速发展 ， 网络 通信 视频监 控系统
技术也得到了相应的发展 。
差法、 背景减法。 光 流法 的优点是 能够 检测 独立 运 动的对象 ， 不需 要预先 知
１ 研 究环境 与方法
本文是在 自然光照 环境下进 行 的 ， 主要 针对 固定场景 中运
动人体 的检测与跟踪进行 系统 的研究 与实现。 系统 的硬件设 备 主要 由 Ｐ Ｃ与单 目摄 像头组 成 。其 中 ，Ｃ Ｐ
Ｔａ ｎ Ｘｉｏ Ｎａ ｆｎ ｎ Ｘｉ ａ ｎｅ ｇ （ ｃｏｌｆＣ ｍ ｕｅ Ｓｉｖ ｎ ｎ ｉ ｅｎ ，ｏｔ ｈｎ ｎ ｅｓｙｏ Ｔｃｎ ｌ ｙ Ｇ ｎ ｚｏ １ ０ ６ Ｇ ａ ｇ ｏｇ，ｈｎ ） Ｓｈｏ ｏ ｐ ｔ ｃ ｒｅａｄＥ ｇｎ ｒ ｇ ＳｕｈＣ ｉａＵ ｉ ｒｔ ｆ ｅ ｏｏ ， ｎ ｇｈｕ５ ０ ０ ， ｕ ｎｄ ｎ Ｃ ｉａ ｏ ｒ ｅｃ ｅｉ ｖ ｉ ｈ ｇ ａ
ｖｓ ｎａ ａ． ｈｓａｔｌ ｂｇ ｓｗｔ ｏ ａｋｒｕｄ ｕ ｄｔ ｇａｄｍｏｉ ｂｅｔｒｃ ｉ ｎ ｘａ ａ ｓａ ｌｏ ｔｍ ｗ ｉ ｐ ａ ｓｔ ｉｏ ｒ ｓＴ ｉ ｒｃｅ ｅｉ ｉ ｂｔ ｂ ｃｇｏｎ ｐ ａ ｎ ｎ ｖ ｇｏｊｃ ｔ ｋｎ ａｄ ｅｐｔ ｔ ｎ ａ ｒｈ ｈｃ ｕ ｄｔ ｈ ｉ ｅ ｉ ｎ ｈ ｈ ｉ ｎ ａ ｇ ｉｅ ｇｉ ｈ ｅ ｅ
基于视频的人体目标跟踪与识别技术
工作展望
技术发展
随着计算机视觉和人工智能技术的不 断发展，基于视频的人体目标跟踪与 识别技术将会有更多的应用场景和需 求。未来，该技术将进一步向着智能 化、自动化、高效化的方向发展，为 各个领域提供更加精准和高效的服务 。
技术挑战
虽然该技术已经取得了很大的进展， 但是仍然存在一些挑战和问题需要解 决。例如，如何提高算法的鲁棒性和 适应性，如何处理大规模和复杂场景 下的目标跟踪与识别问题等。未来， 研究者们需要进一步探索和创新，以 解决这些问题并推动技术的发展。
计算资源和存储空间来处理大规模数据集。
实时性挑战
计算效率
人体目标跟踪与识别技术需要大量的计算资源，包括高性能的处理器和GPU等。为了实现 实时性，需要优化算法和代码，提高计算效率，以满足实时处理的需求。
并行处理
为了加速目标跟踪与识别过程，可以采用并行处理技术，将计算任务分配给多个处理器或 GPU同时进行，以提高处理速度。
基于深度学习的方法
总结词
基于深度学习的方法利用神经网络学习图像中的特征表示进行目标跟踪。
详细描述
基于深度学习的方法通过训练深度神经网络来学习图像中的特征表示，并利用这些特征在后续帧中寻找匹配的目 标。这种方法能够自动提取有效的特征表示，对光照变化和目标形变具有较强的鲁棒性，但需要大量的标注数据 进行训练。
技术应用
基于视频的人体目标跟踪与识别技术 的应用前景非常广阔。未来，该技术 将在智能安防、智能交通、智能家居 等领域得到更加广泛的应用。同时， 该技术还可以与其他技术相结合，如 语音识别、手势识别等，实现更加智 能化和自然化的人机交互方式。
THANKS
谢谢您的观看
该技术面临的主要挑战包括目标遮挡 、光照变化、动态背景等。为了解决 这些问题，研究者们采用了多种算法 和技术，如特征提取、目标检测、运 动跟踪等，以实现准确的目标跟踪与 识别。
行人检测与跟踪国内外研究现状
行人检测与跟踪国内外研究现状1.2行人检测与跟踪国内外研究现状视觉跟踪和目标检测是计算机视觉领域内较早开始的研究方向。
经过几十年的积累，这两个方向已经取得了显著的发展。
然而，很多方法只是在相对较好地程度上解决了一些关键问题。
并且仍旧有不少一般性的关键问题未得到有效的解决。
国内外很多研究机构都在致力于研究和发展这两个方向。
近些年这两个方向持续发展，涌现了很多比较优秀的方法。
国外的很多大学和研究机构（如卡内基梅隆大学、南加州大学和法国国家计算机科学与控制研究所等）都有计算机视觉小组，长期地研究视频跟踪和目标检测。
国内的很多大学和研究所等（如清华大学、上海交大和自动化所等）也有相关的研究小组，并取得了一些优秀的研究成果。
1.2.1行人检测技术国内外研究现状中科院计算机科学重点实验室孙庆杰等人利用基于侧影的人体模型及其对应的概率模型,提出了一种基于矩形拟合的人体检测算法。
中科院自动化所谭铁牛等对人运动进行视觉分析,其核心是利用计算机视觉技术从图像序列中检测、跟踪、识别人并对其行为进行理解与描述,它主要应用在视觉监控领域和基于步态的身份鉴定。
步态识别就是根据人们走路的姿势进行身份鉴定,依据人体行走运动很大程度上依赖于轮廓随着时间的形状变化的直观想法,提出一种基于时空轮廓分析的步态识别算法；基于行走运动的关节角度变化包含着丰富的个体识别信息的思想,提出一种基于模型的步态识别算法。
实验结果表明该算法不仅获得了令人鼓舞的识别性能,而且拥有相对较低的计算代价。
但是该方法只能检测出运动的行人。
西安交通大学郑南宁等研究了利用支持向量机识别行人的方法,通过稀疏Gabor滤波器提取行人样本图像中行人的特征,然后利用支持向量机来训练所提取的样本特征,并用训练得到的分类器通过遍历图像的方式将图像中可能属于行人的窗口提取出来。
尽管用Gabor滤波器提取特征效果相对较好,但耗时很长,不适合于实时图像的处理。
上海交通大学田广等提出了一种coarse-to-fine的行人检测方法,将一个人建模成人体自然部位的组装,人体的所有部位包括头肩、躯干和腿、采用绝对值类Haar特征集和Edgelet特征集,在这些特征集上,采用softcascade训练各个部位的检测器和全身检测器。
- 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)。
人体目标检测与跟踪算法研究
摘要：近些年以来，基于视频中人体目标的检测与跟踪技术研究越来越被重视。
然而，由于受到目标自身特征多样性和目标所处环境的复杂性和不确定性的影响，现存算法的性能受到很大的限制。
本文对目前所存在的问题进行了分析，并提出了三帧差分法和改进阈值分割法相结合的运动目标检测算法和多特征融合的改进运动目标跟踪算法。
这两种算法不仅可以准确有效的检测出运动目标而且能够满足实时性的要求，有效的解决了因光照变化和目标遮挡等情况造成的运动目标跟踪准确度下降或跟踪目标丢失等问题。
关键词：三帧差分，Camshift，阈值分割
Research Based on Human Target Detectionand Tracking Algorithm
Abstract: In recent years, human object detection and tracking become more and more important. However the complexity, uncertainty environment and the target’s own diversity limit the performance of existing algorithms. The main works of this paper is to study and analysis the main algorithm of the human object detection and tracking, and proposes a new moving target detection method based on three-frame difference method and threshold segmentation and improved Camshift tracking algorithm based on multi-feature fusion. These algorithm can satisfy the real-time, while accurately and efficiently detect moving targets, and also effectively solves the problem of tracking object lost or misplaced under illumination change or target occlusion.
Keywords: three-frame difference, Camshift, threshold segmentation
一、绪论
（一）选题的背景和意义
人类和动物主要通过眼睛来感受和认知外部世界。
人类通过视觉所获取的信息占了60%[1]，因此，在开发和完善人工智能的过程中，赋予机器视觉的功能这一操作极不可缺少。
完善上述功能需要以许多技术为基础，特别是运动目标的检测与跟踪技术。
近些年以来，此技术受到了越来越多的关注[2]。
目前，此技术也在各领域得到了充分的应用，涵盖的领域有智能交通、导航、智能视频监控、精确制导、人机交互和多媒体视频编码压缩技术等。
（1）智能交通。
运动目标检测与跟踪技术作用于交通管理系统中可以使交管人员实时的监控交通情况。
此技术可以有效的帮助预防交通事故的发生，对突发事件和紧急情况能够做出相应和及时的处理。
例如Coifman建立的视频图像处理系统能够对视频监控区域内的不同车型进行分割，可以对感兴趣的车辆进行跟踪及对道路的车流量进行实时监控[3]。
（2）智能视频监控。
运动目标检测与跟踪技术可用于对特定的运动目标进行实时的跟踪，然后描述和判定其行为，最后对目标行为的异常情况做出及时的处理[4]。
目前、智能监控系统发展的关键在于如何实现实时、可靠和稳定的目标跟踪技术。
（3）机器人视觉导航。
要想能够自主的运动，智能机器人就需要有能力去感知和识别外部事物。
实现这一功能的主要方法是通过从摄像机或照相机等仪器设备获得外界环境信息，再对特定目标进行跟踪。
（4）人机交互。
该技术主要是让计算机理解人对其发出的指令。
综上所述，从科技发展和现实意义来说，人体目标的检测和跟踪技术具有重要价值。
当这一技术运用到现实中时，往往易受到多方面的影响，如目标产生非刚性形变、背景和目标难以区分和目标被遮挡。
所以该技术仍然面临着许多困难的问题，且有许多难题需要得到解决。
（二）国内外研究现状
在国外，许多发达国家对视频中运动目标的检测与跟踪识别十分重视。
在20世纪末，麻省理工学院与卡内基梅隆大学联合参与了一个由美国国防部提出的重大视频监控项目(Visual Surveillance And Monitoring)，开发了一套多领域应用的智能视频监控系统。
[5]。
到21世纪，粒子滤波理论被提出来并取得了快速的发展，使运动目标的检测与跟踪技术的研究有了新的发展空间。
等在粒子滤波的基础上开发了一个新的运动目标检测与跟踪方法[6]，详细分析了算法的性能并进行了实现，进一步完善了粒子滤波跟踪理论[7]。
国外的许多商业机构也对运动目标的跟踪与识别技术进行了大量的研究，例如法国的Citilog公司，美国的微软、谷歌等公司，并将其研究成果应用到产品研发中。
相较而言，国内的研究起步要晚。
但是近些年来，一些科研院所和高校也已经逐步开始研究这个项目，并取得了成功。
如上世纪末，中科院自动化研究所研。