检测跟踪文献综述
基于AGV的目标检测与追踪文献综述
18
5.参考文献
[1]张辰贝西，黄志球.自动导航车(AGV)发展综述[J].信息技术应用.2010,39(1),53-59 [2] Haritaoglu I , Har wood D,Davis L S . W: real-time surveillance of people and their activities [J ]. IEEE Trans on Pattern Analysis and Machine Intelligence, 2000, 22(8) : 809 . [3] WREN C,AZARBAYEJANI A,DARREL T,et al.Pfinder:real-time tracking of the human body [J].IEEE Transactions on Pattern Analysis and Machine Intelligence,1997,19(7):780-785. [4]Stauffer C,Grimson W.Adaptive background mixture models for real time tracking [C] Proceedings of IEEE International Conferenceon Computer Vision and Pattern Recognition,1999:246-252. [5]杨珺,史忠科.基于改进单高斯模型法的交通背景提取[J].光子学报,2009,38(5),1293-1296. [6]陈祖爵, 陈潇君 ,何鸿.基于改进的混合高斯模型的运动目标检测[J].中国图象图形学报,2007,12(9),15851589. [7]刘静,王玲.混合高斯模型背景法的一种改进算法[J].计算机工程与应用,2010,46(13),168-170. [8] Horn,B.K.P.and Sehunc KB.G.Determining optical flow.Artificial Intelligence [J]. Vol17,1981, pp 185-203. [9] B.Lucas and T.Kanade. An iterative image registration technique with an application to stereo vision[J].Proc. DARPA Image Understanding Workshop,1981,121-130. [10].Araki,S.Matsuoka,T.Takemura,H.Yokoya,N.Real-time Tracking ofMultiple Moving Objects in Moving Camera Image Sequences Using Robust Statistics[J].Graduate Sch.of Inf.Sci.Nara Inst.of Sci.&Technol.1998.vol.2,pp 1433~1435. [11]Zhao zheng Yin,Robert Collins.Moving Object Localization in Thermal Imagery by Forward-backward MHI[A].Proceedings of the 2006 Conference on Computer Vision and Pattern Recognition[C].New York :IEEE, 19 2006 :133~133.
基于深度学习的目标检测系统性文献综述
B@引言
长期以来目标检测在计算机视觉领域一直是具 有挑战性的基础研究方向与图像分类和分割并称为 计算机视觉领域三大基础研究任务 对于一张给定的 原始图像目标检测的目标是判断给定图像中是否有 已知类别的目标实例如果存在则输出原始图像中目 标实例的空间位置和相对应的类别名称即用矩形边 界框定位检测到的目标实例并对检测到的目标实例进 行分类 此外目标检测还是解决计算机视觉领域复 杂问题和高级视觉任务的基础例如场景理解实例分 割目标追踪语义分割等 而且目标检测在现实生 活中有着广泛的应用例如智能监控军事侦察医疗 诊断和无人驾驶等领域 特别是随着计算机计算能力 的提升以及各种类型的图像数据大量涌现结合深度 卷积神经网络的目标检测算法持续更新发展 本文以 一个新的角度对目标检测领域的发展进行回顾即采 用系统性文献综述方法对目标检测领域的进展进行 梳理
现代计算机 上 ===>862+.1/687?9+.>/1@ABAC>BD !++
四是医学图像检测 医学图像检测可以帮助医生准确 分析病变部位提高医生对疾病的判断准确度还可以 减少医生的工作量
'H'!目标检测数据集
数据集是用于特定机器学习目的的一定数量的数 据的集合 数据集在目标检测研究中至关重要不同 的算法可以在基准数据集上进行性能比较包含复杂 场景的大规模数据集更是极大促进了目标检测算法的 发展 对于目标检测有四类著名的基准数据集如表 & 所示
C@方法
ZJ,KF*+F;V% 的研究针对如何构建系统性文献综 述流程提供了原始指南本文根据此指南进行系统性 文献综述 系统性文献综述分为三个阶段即规划实 施和报告 每个阶段又由具有特定目的的实施步骤组 成 首先规划的初始步骤是对系统性文献综述的研
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。
医学检验文献综述范文
医学检验文献综述范文一、引言。
大家好呀！今天咱们来唠唠医学检验这档子事儿。
你说去医院看病，是不是经常会被医生要求做各种检查呀？什么抽血、验尿之类的。
其实这些都属于医学检验的范畴，它就像是医生的“侦察兵”，在我们身体这个大战场里探寻疾病的蛛丝马迹呢。
二、医学检验的发展历程。
# （一）古代医学检验的雏形。
要说这医学检验的老祖宗，那可有些年头了。
在古代啊，虽然没有现在这么高科技的仪器，但咱们聪明的祖先也有自己的办法。
比如通过观察病人的尿液颜色来判断病情，要是尿液发黄，可能就怀疑身体里有“火气”啦。
还有看舌头的颜色，舌苔厚不厚之类的，这其实就是最原始的检验思路，简单又直观。
不过这种方法准确性嘛，就有点看运气了。
# （二）近代医学检验的起步。
随着科学的发展，到了近代，显微镜的出现那可是医学检验的一个大飞跃。
这下可不得了，医生们可以看到细胞啦。
像发现血液里的红细胞、白细胞，就跟发现新大陆似的。
这一发现让人们对疾病的认识深入到了细胞层面。
比如说，如果在血液里看到大量不正常的白细胞，那就可能是身体有炎症或者更严重的血液疾病了。
这时候的医学检验就开始有点像个专业的“小侦探”了。
# （三）现代医学检验的蓬勃发展。
进入现代，哇塞，那发展速度就像火箭一样。
各种高科技仪器纷纷登场。
比如说生化分析仪，这玩意儿就像一个超级大厨，能把血液里的各种成分分析得明明白白。
什么血糖、血脂、肝功能、肾功能，只要抽一管血，它就能给你列出个详细的清单来。
还有基因检测技术，那更是高大上。
它能从基因层面发现一些遗传性疾病的隐患，就像能看穿你身体里的基因密码一样。
三、常见的医学检验技术及应用。
# （一）血液检验。
血液检验就像身体的一个“财务报表”，反映着身体的整体状况。
血常规是最常见的啦，它能告诉医生红细胞、白细胞、血小板这些“小员工”的数量和状态。
红细胞要是少了，可能就是贫血，人就会感觉乏力、头晕。
白细胞多了呢，炎症可能就找上门了。
血小板要是出问题，凝血功能就会受影响，不小心磕破个口子，可能血就止不住了。
检测跟踪文献综述
近年来，智能视频监控技术的研究与应用备受人们关注。
作为其基本处理部分，视频监控图像的运动目标检测是一个非常活跃的研究方向，属于计算机视觉领域的重要研究内容,在智能监控、视频压缩、自动导航、人机交互、虚拟现实等方面有着广泛的应用前景.随着计算机软硬件技术的发展，计算机技术与监控技术相结合成为了一个新兴的应用研究方向。
这种监控系统与传统意义上的监控系统的本质区别在十其智能性.视频监控的目的主要是用十对入侵者的监视、交通流量的监测,以及大门出入人员的保安监控等。
传统的监控系统大都需要人工配合进行监控，存在各种问题。
采用红外传感器等半自动的检测方法又存在对猫犬等动物产生误报警等问题.因此，对智能化的监控系统的研究就非常有必要。
简言之，不仅仅用摄像机来代替人眼简单的获取现场图像信息，应用计算机技术来协助监控人员甚至代替监控人员来完成监控任务，从而既获得良好的监控效果，又大大地减轻监控中的人力投入。
由此可见，智能监控系统有着广泛的应用前景和潜在的市场价值。
然而要使监控系统达到智能化，就必须使计算机能够从监控摄像机里所获取的视频图像序列中提取出感兴趣的目标，并对其进行目标分类和跟踪，从而达到对目标行为进行理解与描述的目的。
智能视频监控是计算机视觉领域一个新兴的应用方向和备受关注的前沿课题。
视频监控技术的发展大致经历了以下二个阶段：(1）第一代视频监控系统:早期的视频监控都是以模拟设备为主的闭路电视监控系统，称其为模拟视频监控系统。
通常采用同轴电缆的传输方式进行信号传输,但是这种模拟方式的传输要保证宽带信号具有高的信噪比和较小失真是十分困难的，所以第一代监控系统的可靠性和抗干扰性都较差，功能也相对简单。
(2)第二代视频监控系统：随着数字技术的发展，图像数据压缩编码技术及标准的改进，芯片成本的不断下降，数字视频监控系统也迅速发展起来。
人们利用计算机的高速数据处理能力进行视频采集和处理，大大提高了图像质量，增强了视频监控的能力,提高了系统的可靠性，增强其可扩展性,其功能也越来越专业化、多样化。
文献综述怎么写
文献综述怎么写？一、文献综述的类型、特点及作用文献综述是“一种在分析、比较、整理、归纳一定时空范围内有关特定课题研究的全部或大部情报的基础上,简明的类述其中的最重要部分,并标引出处的情报研究报告”。
文献综述的定义包含三个基本要素:首先,文献综述反映原始文献有一定的时间和空间范围,它反映一定时期内或是某一时期一定空间范围的原始文献的内容。
其次,文献综述集中反映一批相关文献的内容。
其它二次文献如题录、索引、文摘、提要等一条只能揭示一篇原始文献的外表信息或内容信息,且各条目之间没有联系,而综述一篇可集中一批相关文献,且将这批文献作为一个有机整体予以揭示,信息含量比二次文献多得多。
第三,文献综述是信息分析的高级产物。
书目、索引等是对原始文献的外表特征进行客观描述,不涉及文献内容,编写人员不需了解原始文献的内容,也不需具备相关学科的基础知识;提要、文摘是对原始文献的内容作简要介绍和评价,编写人员需要具有相关学科的一些基础知识,以识别和评价原始文献;文献综述则要求编写人员对综述的主题有深入的了解,全面、系统、准确、客观地概述某一主题的内容。
运用分析、比较、整理、归纳等方法对一定范围的文献进行深度加工,对于读者具有深度的引导功能,是创造性的研究活动。
1.文献综述的类型可以从不同的角度对文献综述进行划分,最常见的方法是根据文献综述反映内容深度的不同即信息含量的不同划分按照文献综述信息含量的不同,可将文献综述分为叙述性综述、评论性综述和专题研究报告三类。
叙述性综述是围绕某一问题或专题,广泛搜集相关的文献资料,对其内容进行分析、整理和综合,并以精炼、概括的语言对有关的理论、观点、数据、方法、发展概况等作综合、客观的描述的信息分析产品。
叙述性综述最主要特点是客观,即必须客观地介绍和描述原始文献中的各种观点和方法。
一般不提出撰写者的评论、褒贬,只是系统地罗列。
叙述性综述的特点使得读者可以在短时间内,花费较少的精力了解到本学科、专业或课题中的各种观点、方法、理论、数据,把握全局,获取资料。
(完整word版)高光谱目标检测文献综述
基于核方法的高光谱图像目标检测技术研究----文献选读综述报告1前言20 世纪80 年代遥感领域最重要的发展之一就是高光谱遥感的兴起。
从20 世纪90 年代开始，高光谱遥感已成为国际遥感技术研究的热门课题和光电遥感的最主要手段。
高光谱遥感图像目标检测在民用和军事上都具有重要的理论价值和应用前景，是当前目标识别及遥感信息处理研究领域中的一个热点研究问题。
2 研究目的及意义高光谱遥感图像是在电磁波谱的紫外、可见光、近红外和中红外区域，利用成像光谱仪获取的许多非常窄且光谱连续的图像数据（如图1.1所示）。
成像光谱仪为每个像元提供数十至数百个窄波段（通常波段宽度小于10 nm）的光谱信息，能产生一条完整而连续的光谱曲线。
图1.1 成像光谱仪探测地物目标示意图[1]高光谱遥感技术主要利用各种地物（例如某种土壤、岩石和作物）对不同的光谱波长具有各不相同的吸收率和反射率的原理，根据每种物质所拥有的独特光谱反射曲线来进行检测和分类。
利用高光谱遥感技术，能够很好地提取目标的辐射特性参量，使地表目标的定量分析与提取成为可能。
然而，高光谱遥感成像机理复杂、影像数据量大，这导致影像的大气纠正、几何纠正、光谱定标、反射率转换等预处理困难。
由于成像光谱仪获取的地物光谱特征曲线近乎连续，波段间相关性很高，数据冗余信息很多。
在使用传统目标检测方法对高光谱影像中感兴趣目标进行检测时，波段多且相关性高，会导致训练样本相对不足，致使分类模型参数的估计不可靠，检测分类存在维数灾难现象。
因此，高光谱影像给地物分类识别带来了巨大机遇，同时给传统的目标检测方法也带来了挑战。
为了充分发挥高光谱遥感技术的优势，必须在影像检测分类基本算法的基础之上，结合高光谱影像分类的特点，研究新的适用于高光谱影像的理论、模型和算法〕。
在国内外，许多研究机构在理论和应用上进行了探索，取得了不少成果。
自从上世纪90年代中期核方法在支持向量机分类中得到成功应用以后，人们开始尝试利用核函数将经典的线性特征提取与分类识别方法推广到一般情况，在理论和应用中都有许多成果，引起了继经典统计线性分析、神经网络与决策树非线性分析后第三次模式分析方法的变革，成为机器学习、应用统计、模式识别、数据挖掘等许多学科的研究热点，在人脸识别、语音识别、字符识别、机器故障分类等领域得到成功应用[2]。
目标检测文献综述
目标检测文献综述目标检测是计算机视觉领域中的一项重要技术，其应用场景主要包括自动驾驶、安防监控、农业智能等。
目标检测的目的是在图像或视频中自动识别并定位感兴趣的目标，如人、车、动物等。
目前目标检测技术主要分为两大类：基于传统图像处理方法的目标检测和基于深度学习的目标检测。
传统图像处理方法主要采用特征提取、物体检测等算法，目前已经逐渐被基于深度学习的目标检测技术所替代。
深度学习技术主要采用卷积神经网络（CNN）和循环神经网络（RNN）等结构进行目标检测，其中以CNN为主。
近些年，在基于深度学习的目标检测技术中，YOLO系列（YouOnly Look Once）的方法备受关注。
YOLO系列的方法具有快速、高效、较优的检测性能优点，具体包括YOLOv1、YOLOv2和YOLOv3。
其中，YOLOv3在速度和准确度上都取得了显著的提升，引起了广泛的关注。
除了YOLO系列，还有一些其他深度学习方法也获得了不错的检测性能，如SSD（Single Shot MultiBox Detector）、Faster R-CNN、RetinaNet等。
这些方法不同于YOLO系列的方法，它们采用了更为复杂的网络结构和特征提取方式，主要是从提高检测性能方面入手。
目标检测技术的应用场景越来越广泛，不仅在自动驾驶、安防监控等领域中得到了广泛应用，还在农业智能中得到了广泛探索。
例如，在农业领域，目标检测可以应用于作物病虫害的检测、农田监测等方面，为农业生产提高生产效率和生产质量提供了可靠的技术支持。
然而，目前目标检测技术还存在一些问题和挑战。
例如，对于复杂场景下的遮挡等问题，目标检测算法仍有一定误检和漏检率。
此外，对于小目标检测和深度解析等问题，目前的算法还有待进一步完善和优化。
针对目标检测技术存在的问题和挑战，需要进一步研究和优化算法，以适应各种场景下的目标检测需求。
我们相信，在研究人员不断探索和努力下，目标检测技术一定会取得更加优秀的性能和更加广泛的应用。
- 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)。
近年来，智能视频监控技术的研究与应用备受人们关注。
作为其基本处理部分，视频监控图像的运动目标检测是一个非常活跃的研究方向，属于计算机视觉领域的重要研究内容，在智能监控、视频压缩、自动导航、人机交互、虚拟现实等方面有着广泛的应用前景。
随着计算机软硬件技术的发展，计算机技术与监控技术相结合成为了一个新兴的应用研究方向。
这种监控系统与传统意义上的监控系统的本质区别在十其智能性。
视频监控的目的主要是用十对入侵者的监视、交通流量的监测，以及大门出入人员的保安监控等。
传统的监控系统大都需要人工配合进行监控，存在各种问题。
采用红外传感器等半自动的检测方法又存在对猫犬等动物产生误报警等问题。
因此，对智能化的监控系统的研究就非常有必要。
简言之，不仅仅用摄像机来代替人眼简单的获取现场图像信息，应用计算机技术来协助监控人员甚至代替监控人员来完成监控任务，从而既获得良好的监控效果，又大大地减轻监控中的人力投入。
由此可见，智能监控系统有着广泛的应用前景和潜在的市场价值。
然而要使监控系统达到智能化，就必须使计算机能够从监控摄像机里所获取的视频图像序列中提取出感兴趣的目标，并对其进行目标分类和跟踪，从而达到对目标行为进行理解与描述的目的。
智能视频监控是计算机视觉领域一个新兴的应用方向和备受关注的前沿课题。
视频监控技术的发展大致经历了以下二个阶段：(1) 第一代视频监控系统: 早期的视频监控都是以模拟设备为主的闭路电视监控系统，称其为模拟视频监控系统。
通常采用同轴电缆的传输方式进行信号传输，但是这种模拟方式的传输要保证宽带信号具有高的信噪比和较小失真是十分困难的，所以第一代监控系统的可靠性和抗干扰性都较差，功能也相对简单。
(2) 第二代视频监控系统: 随着数字技术的发展，图像数据压缩编码技术及标准的改进，芯片成本的不断下降，数字视频监控系统也迅速发展起来。
人们利用计算机的高速数据处理能力进行视频采集和处理，大大提高了图像质量，增强了视频监控的能力，提高了系统的可靠性，增强其可扩展性，其功能也越来越专业化、多样化。
(3) 第二代视频监控系统: 随着网络带宽、计算机处理能力和存储容量的迅速提高，以及各种实用视频信息处理技术的出现，视频监控进入了全数字化的网络时代，即全数字视频监控系统。
该系统以网络为依托，以数字视频的压缩、传输和存储为核心，以智能实用的图像分析为特色，引导视频监控技术向智能化和网络化的方向不断发展。
智能监控系统是采用图像处理、模式识别和计算机视觉技术，通过在监控系统中增加智能视频分析模块，借助计算机强大的数据处理能力，在不需要人为干预的情况下对拍摄到的图像序列进行动态分析，过滤掉视频画面无用的或干扰信息，自动识别不同目标，分析抽取视频源中关键有用信息，快速准确地定位事故现场，判断监控画面中的异常情况，并以最快和最佳的方式发出警报或触发其它动作，从而有效进行事前预警，事中处理，事后及时取证的全自动、全天候、实时监控的智能系统。
要完成智能视觉监控的任务，需要用到计算机视觉、模式识别、数字图像处理和人工智能等多门学科的知识。
对运动目标的检测与跟踪就是其中的核心技术，处十整个视觉监控系统的底层，是各种后续处理的基础。
运动目标的检测与跟踪技术不仅在智能监控系统中有重要应用，已经广泛应用十军事和工业机器人等多个领域中，因此对运动目标检测与跟踪的研究无疑是一项既有理论意义又有实用价值的课题。
一、目标跟踪的种类（1）基于区域的跟踪基于区域的跟踪方法首先要得到包含目标的区域模板, 模板的提取一般通过图像分割获得或者是预先人为确定,模板通常为略大于目标的矩形,也可以是不规则形状, 然后设定一个相似性度量, 在序列图像中搜索目标, 把度量取极值时对应的区域作为对应帧中的目标区域。
由于提取的目标模板是以目标整体作为对象, 它包含了较完整的目标信息, 因而具有较高的可信度。
由于该方法以目标的整体特征信息作为跟踪依据, 所以在目标发生较小形变等情况下仍然可以准确的对目标进行跟踪;在目标未被遮挡时, 跟踪的准确性和鲁棒性也较好。
其缺点首先是这种方法需要对整个图像区域进行搜索, 要求获取的信息较多, 因此比较耗时, 不能满足实际应用中视频监控实时性的要求, 这种方法一般用于跟踪较小的目标或者对比度较低的目标;而且跟踪的目标变形不能太大, 否则会导致跟踪精度下降甚至目标丢失;而且,当目标出现太大遮挡时,也容易造成跟踪目标的丢失。
针对这些缺陷,近年来,对于基于区域跟踪方法研究最多的是如何处理包含目标的模板更新, 以保证跟踪的连续性和稳定性。
（2）基于活动轮廓的跟踪基于活动轮廓跟踪的基本思想是提取物体的边界轮廓作为轮廓模板, 利用封闭的曲线轮廓来表达运动目标, 在后继帧的二值边缘图像中跟踪目标轮廓。
由于这种方法所使用的模板是目标轮廓,并且匹配。
过程是在二值图像中进行, 所以相对基于区域的跟踪算法来说,它的优点是计算量较小, 而且在目标被部分遮挡的情况下也能连续的进行跟踪。
近来发展很快的两种基于轮廓匹配的跟踪算法：一是主动轮廓线跟踪算法（Snake模型）,Kass等人在1987年提出了主动轮廓模型, 也称其为蛇模型, 它是一条可变形曲线（Snake 曲线）, 可任意调整曲线形状使其与目标轮廓保持一致。
另一种是基于Hausdorff 距离的轮廓跟踪算法。
基于Hausdorff 距离的形状匹配不同于其他的形状匹配, 一方面,Hausdorff 距离不需要建立两个点集中的点之间一一对应的关系, 并且对图像噪声和晃动具有较好的鲁棒性。
其缺点是当所匹配的点的数目比较大时, 匹配效率会迅速降低, 通常计算量也较大。
在基于活动轮廓方法中, 初始化轮廓是整个算法的核心和关键, 如何准确的获取运动目标的初始轮廓也是算法研究中的一个难题, 而且运动物体轮廓的更新比较困难, 这也决定了基于活动轮廓的方法无法在目标跟踪中得到普遍应用。
（3）基于特征的跟踪算法基于特征的跟踪方法基本思想是, 在跟踪过程中首先提取目标的某个或某些具有不变性的特征, 然后利用相关算法实现对运动目标的跟踪。
该方法包括特征提取和特征匹配两个过程。
目前常见的特征选择有角点、纹理、色彩等, 但在序列图像中,单一的特征选取往往无法实现跟踪的准确性。
因此, 基于多特征融合的目标跟踪成为当前研究的趋势。
基于特征的方法其优点是能够在部分遮挡的情况下,仍旧实现目标跟踪, 在准确选取特征点的前提下,还可以克服关照改变以及目标发生几何形变时带来的跟踪障碍。
同时, 该方法还可以将与粒子滤波器、mean-shift 算法等结合使用, 提高跟踪的实时性和鲁棒性。
（4）基于模型的跟踪基于模型的跟踪方法首先是对目标物体的外形特征进行建模, 然后通过一定的匹配方法跟踪目标,并进行模型的实时更新。
常用的表征物体模型的形式一般分为三类:线图模型、2D 模型和3D 模型。
目前应用较多的是利用物体的三维立体模型。
基于模型的跟踪方法即使在目标姿态变化和部分遮挡的情况下,仍旧可以精确分析目标的运动轨迹, 实现可靠的跟踪,因而它有较强的鲁棒性。
但是由于在现实生活中获得所有运动目标的精确模型是非常困难的, 因此限制了基于模型的跟踪算法的使用。
其次, 该跟踪方法需要大量的时间来计算复杂的模型, 比较耗时, 不能满足跟踪过程中的实时性和迅速性要求。
二、运动背景和运动特性一般说来，运动目标检测方法的确定主要取决于目标的运动背景和运动特性。
（1）目标运动背景目标运动背景指运动目标所处的环境，是分析和讨论运动目标检测的前提条件。
一般情况下，目标运动背景主要表现为目标的运动区域（即所处地理位置）。
在视频监控系统中，目标运动背景的变化主要取决于摄像机工作方式，但天气条件（如光线变化、风雨雷电、霜雪等）以及其他干扰情况（如摄像机抖动、遮挡、孔径和阴影）等也会对其产生重大影响。
根据摄像机工作方式的不同，可以将目标运动背景分为静态背景和动态背景。
静态背景在通常使用中经常碰到，其运动目标检测的研究应用比较多; 而对动态背景的运动目标检测研究，有学者借助于DSP芯片取得了一些进展，但还存在某些缺陷，譬如在大面积遮挡情况下目标会丢失等，因此有待于进一步深人和改进。
另外，在现实应用中运动目标背景一般存在着各种噪声和扰动问题，目前研究的比较多，但还存在着这样那样的问题。
针对目标运动背景的变化，当前一些研究人员提出了建立自适应背景模型，实现了背景的实时更新，比较准确地检测出运动目标。
背景阴影的检测和去除也是一个十分重要的问题。
目前检测阴影的方法主要有:1）在HSV彩色空间，禾U用色度、饱和度和亮度的信息建立背景模型2）在RGE彩色空间，用矢量来表征像素点，并以当前图像中的像素点矢量与对应背景点的矢量相减得到表征亮度和色度的彩色模型，在此基础上建立背景模型叭。
3）禾用阴影的光学特性，结合其纹理特征，采用区域生长的方法来检测阴影。
此外，采用光照评估方法判断阴影是否存在，进而运用梯度分析和二值图像的聚类算法检测出阴影，从而有效地去除了阴影。
（2）运动目标特性一般视频监控系统中，运动目标情况比较复杂，主要有时间特性、区域特性、矢量特性和形态特性等。
时间特性和区域特性作为运动目标的基本特性，是视频帧时间差分和图像分割的主要依据。
考虑到运动像素的时间和空间相关性，提出了一种有效的基于图像块和HVS彩色图像差值相结合的高速运动目标检测算法，该方法快速、准确。
但在前景运动目标与背景亮度很接近时，运动目标很难被检测出来，另外阑值的选取也过于经验化。
对复杂背景的多目标运动速度检测进行了探讨，但还存在着不足之处。
刘长钦等根据运动信息的生物视觉处理机制，给出了基于持久一暂态细胞组合的二维运动方位细胞（MOC滤波器运动方向检测模型，在计算机仿真实验中得到了预期的效果。
另外，高媛媛等基于立体视觉对多目标运动速度检测进行了理论性探讨。
目前单目标速度检测已经广泛应用于我国公安交通管理中，如电子测速器等，而多目标运动速度检测还没有推广。
形态特性是指目标运动时在形状、大小、数量、刚度和强度等方面呈现出来的特征。
小目标运动检测一方面目标的信噪比比较低，另一方面整个图像复杂而目标很小，一般仅由若干个像素组成，这两个原因导致小目标的运动检测比较困难。
自20世纪70年代以来，国内外学者提出了许多有实际意义的检测算法，如二维匹配滤波器法、动态规划法、神经网络法和高阶相关法等。
从理论上讲，上述检测算法都能取得较好的效果，但大多数计算量大，实用性不强。
多目标运动在实际环境中比较普遍，对其进行检测有一定价值，但当背景过于复杂且目标不明显时，还存在着一些问题。
根据刚度大小的不同可以将物体分为刚体和非刚体。
常见的刚体如车辆等，其运动检测研究已经非常成熟，一些成果得到普遍应用，如各地公安交通管理部门使用的“电子眼” 。