【精品】目标跟踪算法的研究毕业论文
基于大数据技术的目标跟踪算法设计与实现
基于大数据技术的目标跟踪算法设计与实现第一章：绪论目标跟踪是指在图像或视频序列中，通过算法实现对目标的自动定位、追踪和分析的过程。
目标跟踪技术在军事、安防、交通等领域具有广泛的应用，近年来在智能制造、智能交通等领域的应用越来越广泛。
然而，由于目标的形状、位置、变形、光影等因素的多样性和复杂性，目标跟踪一直以来都是计算机视觉领域的一个难题。
基于大数据技术的目标跟踪算法，是近年来发展起来的一种新技术。
该技术通过处理大量的数据和使用更加智能化的算法，可以更加准确地对目标进行跟踪和分析，具有更高的效率和更好的精度。
本文将针对基于大数据技术的目标跟踪算法进行深入研究和探讨，以期为相关研究提供一些参考和借鉴。
第二章：基于大数据技术的目标检测算法目标检测是目标跟踪的前置技术，其目的是在图像或视频中分析和检测出目标的位置。
目标检测技术的实现可以通过卷积神经网络、支持向量机等算法，而基于大数据技术的目标检测算法则一般采用深度学习算法。
在深度学习算法中，常用的网络模型有区域卷积神经网络(R-CNN)、快速区域卷积神经网络(FAST R-CNN)、更加高效的区域卷积神经网络(Faster R-CNN)等。
这些基于大数据技术的目标检测算法，可以对目标进行更加准确的检测和定位，为目标跟踪提供更为可靠的基础。
第三章：基于大数据技术的跟踪算法目标跟踪算法是对目标进行连续跟踪的过程，其目的是在图像或视频中实现对目标的实时追踪。
基于大数据技术的目标跟踪算法，需要建立起目标的特征描述所对应的大数据集，随着越来越多的数据被输入和处理，算法的准确性和鲁棒性也会不断提高。
目前基于大数据技术的目标跟踪算法主要有以下几种：1. 基于卷积神经网络的目标跟踪算法：该算法利用卷积神经网络提取图像特征，再通过递归神经网络实现对目标的跟踪，能够处理光照变化、遮挡等情况。
2. 基于深度学习的相关滤波算法：该算法利用深度学习进行特征提取，可以实现对目标的准确跟踪，并且能够处理噪声、光照变化等情况。
无线传感器网络目标跟踪算法的研究
１２ 一 ２
２ 无线 传感 器 网络 目标跟 踪
２ １ 网 络模 型 ．
进行估计 和更新 的过程 ， 而获得 最小 方差估 计 ， 从 这些样 本
称 之 为 “ 子 ” ］ 粒 ［ 。
无线传感 器网络所 有节 点地位 平 等 。 严格 控制 中心 ， 无
单个传感器节 点能力有限无法有效地 跟踪 目标 ， 需要 多个传
本文对 网络监测 区域 只有一 个运动 目标 的跟踪研究 ． 对 于运动 目标 ， 在非常短时间内其移动速度 可 以近似认 为是匀 速的 。设 目标 的初始位置为 ：％ ， ） 那么 目标下一 时刻位 （ Ｙ ， ｏ 置可 以通过下式可 以得 到 ：
集， 构造集合 ｛ ｋ ｉ ， （ ，） ｉ＝１ ２ … ， ， ， ， Ⅳ｝并对粒 子的权值 进行 重 新设 置 ， 否则 ， （ ｉ （ ｊ ｝ ，） ｉ＝ ， ， Ⅳ‘。
跟踪两种 ， 目前主要集 中于单 目标跟 踪研究 。Ｓ ｄｒ ｉ ａ 等人 采 ｋ 用线性预测方法对无线传感 器 目标位置进 行预测 ， 而对 目 从
基金项 目：０ ８年度江苏 省高校科 研成果 产业化 推进项 目（ Ｚ ８ ２０ ＨＤ ０ —
５ ６１
的无线传感器 目标跟踪 ［ 。Ｓ ｅｇ等提出了粒子滤波 的 目标 ７ ｈｎ ］ 跟踪算法 ， 少 目标 跟踪 误差 。粒子 滤 波算 法在 应 用 过程 减 中． 存在 粒子 退 化 现 象 ， 而 影 响无 线 传 感 器 目标 跟 踪 精 从
Ｗ ｋ ‘
一
感器节点 协作 采集数 据 ， 因此 目标跟 标之 前 ， 传感 器节 点形
成一种 网络拓 扑结 构 ］ 。本 文采 用无 线网络拓扑结构为簇 一 树型 。设无线传感 器节点随机分布于监 测区 内， 基站位 于网 络监测 区边缘 ， 网络 监测 区被划 分多 个子 区域 ， 每个 子 区域
无人机控制中的目标跟踪算法研究
无人机控制中的目标跟踪算法研究随着无人机技术的快速发展，无人机应用范围不断拓展，其中目标跟踪算法的研究成为无人机控制技术的重要组成部分。
无人机的应用场景多种多样，需要不同类型的目标跟踪算法来满足不同的需求。
本文将重点介绍无人机控制中的目标跟踪算法研究。
一、目标跟踪算法的分类目标跟踪算法按照算法的实现原理可以分为基于特征的目标跟踪算法和基于模型的目标跟踪算法。
1. 基于特征的目标跟踪算法基于特征的目标跟踪算法是根据目标物体在图像上的特征来实现目标跟踪的算法，主要包括颜色特征、纹理特征、形状特征等。
目前常见的基于特征的目标跟踪算法有：CAMShift算法、MeanShift算法、Haar分类器算法、SURF算法等。
2. 基于模型的目标跟踪算法基于模型的目标跟踪算法是根据建立的目标模型来实现目标跟踪的算法，主要包括卡尔曼滤波算法、粒子滤波算法、CAMshift-Kalman算法等。
其中，粒子滤波算法是近年来发展比较迅速的一种新型目标跟踪算法。
二、特征优化算法无人机应用场景的多样性决定了目标跟踪算法的实现会受到光影等各种因素的干扰，因此需要通过特征优化算法来提高算法鲁棒性，增强无人机跟踪效果。
特征优化算法是指通过对目标在图像上的特征进行处理，改变其在不同光照、角度等情况下的表现，从而提高算法的鲁棒性。
1. 扩展局部二值模式扩展局部二值模式（Extended Local Binary Pattern）是一种基于纹理特征的特征优化算法，它通过对LBP算子的改进，提高了算法的变化不变性和鲁棒性，使得其适用范围更广泛。
该算法已在无人机夜间目标跟踪中得到了广泛应用。
2. SIFT特征优化算法SIFT（Scale-invariant feature transform）是一种基于形状和纹理的特征提取算法，能够对目标物体在不同尺度、方位和光照条件下具有相同的描述，因此在无人机目标跟踪中具有重要的应用价值。
为了提高SIFT算法在无人机目标跟踪中的效果，研究者还开发了多种SIFT特征优化算法，如基于颜色的SIFT特征优化算法等。
基于深度学习的目标追踪与跟踪算法研究与实现
基于深度学习的目标追踪与跟踪算法研究与实现深度学习技术的兴起使得目标追踪与跟踪算法取得了显著的突破与发展。
本文将基于深度学习，研究与实现一种高效的目标追踪与跟踪算法，以应用于各种领域，如智能视频监控、自动驾驶等。
首先，我们来了解一下深度学习在目标追踪与跟踪领域的应用。
深度学习技术通过多层神经网络的训练与学习，能够从大量的数据中提取特征，实现对目标的准确识别和跟踪。
与传统的目标追踪算法相比，深度学习具有更高的准确性和鲁棒性。
在深度学习的基础上，我们提出了一种基于卷积神经网络（Convolutional Neural Network，CNN）的目标追踪与跟踪算法。
该算法由两个主要模块组成：目标检测和目标跟踪。
首先，我们通过目标检测模块实现对图像帧中的目标的识别与定位。
我们使用深度卷积神经网络进行目标检测，该网络通过多层卷积和池化操作，从图像中提取有意义的特征。
在网络的最后一层，我们使用全连接层将特征映射到目标检测结果的空间位置。
接下来，我们使用目标跟踪模块，对目标在图像序列中的运动进行跟踪。
为了确保算法的鲁棒性和实时性，我们采用了孪生网络（Siamese Network）结构。
孪生网络通过共享参数的方式构建一个编码器，实现目标特征的提取。
在跟踪过程中，我们将当前帧的目标特征与先前帧的目标特征进行比对，以确定目标的运动情况。
通过对比度损失函数的优化，我们能够实现对目标的准确跟踪。
此外，为了解决目标在复杂背景下的遮挡问题，我们引入了多尺度的跟踪框架。
在不同的尺度下，我们使用相同的目标特征进行跟踪，以提高算法的鲁棒性和准确性。
同时，我们还使用了长短时记忆网络（Long Short-Term Memory，LSTM）来对目标的运动进行建模，以获得更精确的跟踪结果。
在数据集方面，我们使用了已有的大型目标追踪数据集进行网络的训练和测试。
通过大规模数据的训练，我们能够提高算法在不同场景下的泛化能力，并提高目标追踪的准确率和稳定性。
目标跟踪算法的研究与应用
目标跟踪算法的研究与应用目标跟踪是计算机视觉领域的一个重要研究方向，它指的是在连续的图像序列中对目标进行自动检测和跟踪，实现对该目标的实时位置、尺寸、形态等的估计。
目标跟踪算法的研究与应用，在视觉监控、机器人导航、自动驾驶、医学影像等诸多领域都具有广泛的应用价值。
目标跟踪方法主要分为两类：传统跟踪算法和深度学习跟踪算法。
传统跟踪算法主要有卡尔曼滤波算法、粒子滤波算法、均值追踪算法等；深度学习跟踪算法则是在深度神经网络的基础上，利用卷积神经网络、循环神经网络等深度学习网络构建出的跟踪算法，如神经网络跟踪器、半监督跟踪器、端到端跟踪器等。
传统跟踪算法的优点在于运算速度快、运行效率高、噪声鲁棒性好，适合在资源受限的设备上实时运算；但其缺点在于模型的鲁棒性不强，易受到光照、目标变形等因素的影响。
深度学习跟踪算法则在鲁棒性、精度等方面优于传统算法，在复杂场景下的跟踪性能也更加稳定。
但深度学习算法的计算成本较高，需要通过GPU等高性能计算设备进行计算，且对数据量和训练样本的要求也更高。
目前，对于目标跟踪算法的研究重点主要是在提升算法的性能和鲁棒性方面。
其中，针对深度学习跟踪算法，一些新技术和模型的应用，使得跟踪算法的性能得到了进一步的提升。
例如，结合卷积网络和循环网络构成的Siamese网络，可以在计算时间上获得一定优势，同时又具有良好的跟踪精度；将长短记忆网络（LSTM）应用于跟踪目标的动态特性建模，实现了对运动物体的良好跟踪效果。
除了研究跟踪算法的数学模型和算法体系，目标跟踪技术的应用也是近年来的热点之一。
在智能安防领域，通过智能监控摄像头实现对商店、街道、小区等的监控，跟踪人员、车辆和物品，大大提高了安全性和治安水平。
在智能驾驶领域，目标跟踪技术的应用，实现了对其他车辆、行人的跟踪以及障碍物的识别，为智能车辆的进一步发展提供了重要技术保障。
当然，目标跟踪技术也存在着一些问题和不足。
例如，在复杂场景下的跟踪效果容易受到干扰，如光照变化、背景干扰等；同时，跟踪算法对计算设备、硬件环境和数据质量的要求比较高，从而阻碍了其在广泛应用中的推广。
智能交通系统中的目标跟踪算法优化研究
智能交通系统中的目标跟踪算法优化研究随着城市发展和车辆数量的增加，交通拥堵等问题日益凸显，因此智能交通系统应运而生。
智能交通系统利用先进的技术和算法，实现对交通流量、车辆行驶状态等信息的收集、处理和分析，从而提供实时的交通管理和控制。
其中，目标跟踪算法作为智能交通系统中的重要组成部分，起着关键的作用。
本文将重点探讨智能交通系统中的目标跟踪算法优化问题。
目标跟踪是指在交通场景中对行驶中的车辆、行人等目标进行准确追踪和识别的过程。
目标跟踪算法的优化对于实现准确、稳定的目标跟踪具有重要意义。
本文将从选择合适的目标跟踪算法、目标检测与跟踪的联合优化、多目标跟踪的优化等方面进行深入研究。
首先，选择合适的目标跟踪算法对于智能交通系统的性能至关重要。
在目标跟踪领域，常见的算法包括基于特征的方法、基于深度学习的方法等。
对于智能交通系统的应用场景，需要考虑算法的实时性、准确性和抗干扰能力。
因此，本文建议综合考虑算法的处理速度和性能指标，选择适合智能交通系统的目标跟踪算法。
其次，目标检测与跟踪的联合优化是提高目标跟踪算法性能的关键。
传统的目标跟踪算法通常是在目标检测的基础上进行目标跟踪，但这种两个过程的分离执行可能导致误差的累积。
因此，近年来出现了一些将目标检测与跟踪相结合的联合优化算法。
这些算法通过共享特征提取器和调整网络结构等方式，实现了目标检测和跟踪的联合学习和优化，提高了目标跟踪的准确性和稳定性。
此外，多目标跟踪是智能交通系统中需要考虑的另一个重要问题。
在交通场景中，通常存在多个行驶中的目标需要进行跟踪和识别，例如多车道行驶的车辆、交叉路口的行人等。
传统单目标跟踪算法无法满足这种需要，因此多目标跟踪算法的优化是必不可少的。
多目标跟踪算法需要解决目标的匹配、轨迹的预测和更新等问题。
一种常见的方法是采用基于图模型的方法，通过最优化目标之间的关联与相似度，实现多目标的准确跟踪。
在研究智能交通系统中目标跟踪算法优化的过程中，还需要考虑一些挑战和难点。
计算机科学中的目标追踪算法优化研究
计算机科学中的目标追踪算法优化研究目标追踪是计算机视觉和机器学习领域的一个重要研究方向。
它的目标是通过算法和技术，对图像或视频中的目标进行自动监测和跟踪。
目标追踪算法在众多领域中有广泛的应用，如视频监控、智能交通、无人驾驶、增强现实等。
然而，由于场景复杂性以及传感器的限制，目标追踪依然面临着许多挑战。
为了实现更准确、稳定和高效的目标追踪，研究者们一直在努力优化目标追踪算法。
在计算机科学中，目标追踪算法的优化研究主要包括以下几个方面。
首先，优化目标表达是目标追踪算法的一个关键问题。
目标表达的选择直接影响算法的性能。
常用的目标表达包括颜色直方图、稠密光流和深度学习特征等。
传统的目标表达方法在一些场景下表现出较大的局限性，而深度学习特征在目标追踪中取得了较好的效果。
研究者们通过设计更加准确、鲁棒的特征来改进目标追踪算法的表现。
其次，优化目标检测是目标追踪算法优化的重要方向之一。
目标检测指的是在图像或视频中定位并标记出目标位置。
准确和高效的目标检测是实现准确追踪的基础。
近年来，深度学习技术的发展使得目标检测取得了巨大的进展。
深度学习模型如Faster R-CNN、YOLO和SSD等在目标检测中取得了很好的效果，并被广泛应用于目标追踪算法优化中。
其次，优化目标模型的更新机制。
目标追踪算法中的模型更新指的是根据最新的观测信息对目标模型进行更新，以适应目标在连续帧中的变化。
一个好的模型更新机制能够有效地提高追踪算法的准确性和鲁棒性。
常用的目标模型更新方法有在线学习、模板更新和边界框回归等。
研究者们致力于设计更加准确、自适应的目标模型更新方法，以提高目标追踪算法的性能。
此外，目标追踪算法的优化还包括背景建模、运动模型、相似性度量和目标纠正等方面。
背景建模主要用于目标的分割，以区分目标和背景。
运动模型用于描述目标的运动轨迹，帮助追踪算法进行目标预测。
相似性度量是通过计算目标与候选区域之间的相似度来选择最可能的目标位置。
目标跟踪算法与检测处理技术研究
目标跟踪算法与检测处理技术研究一、内容描述在这个日新月异的时代，科技的发展让我们的生活变得越来越便捷。
而在众多领域中，目标跟踪算法与检测处理技术的研究正逐渐成为了一个热门话题。
这项技术的应用范围非常广泛，从智能家居到无人驾驶汽车，再到智能安防系统，都离不开这一技术的支持。
本文将围绕目标跟踪算法与检测处理技术展开讨论，带领大家走进这个充满无限可能的领域。
首先我们来了解一下什么是目标跟踪算法，简单来说目标跟踪算法就是通过对视频或图像中的物体进行实时分析，自动识别和跟踪这些物体的运动轨迹。
这种技术在很多场景下都非常实用，比如在体育赛事中，我们可以通过目标跟踪算法来实时追踪运动员的位置；在智能家居系统中，我们可以利用目标跟踪算法来监控家中的老人和孩子，确保他们的安全。
接下来我们将探讨目标跟踪算法与检测处理技术的研究方向，目前这一领域的研究主要集中在以下几个方面：一是提高目标跟踪算法的精度和鲁棒性；二是降低目标跟踪算法的计算复杂度，以满足实时应用的需求；三是研究目标跟踪算法与其他相关技术的融合，以实现更广泛的应用场景。
在实际应用中，目标跟踪算法与检测处理技术已经取得了显著的成果。
例如在智能安防系统中，通过目标跟踪算法可以实现对入侵者的实时监控，有效提高了系统的安全性；在无人驾驶汽车领域，目标跟踪算法可以帮助汽车实现对前方道路状况的实时感知，从而提高行驶的安全性和舒适性。
目标跟踪算法与检测处理技术的研究具有很高的实用价值和广阔的应用前景。
随着科技的不断发展，相信这一领域将会取得更多的突破和进步，为我们的生活带来更多便利和惊喜。
A. 研究背景和意义在当今这个信息爆炸的时代，我们每天都会接触到大量的图像和视频数据。
这些数据中蕴含着丰富的信息，如目标的位置、速度等。
然而如何从这些海量的数据中提取出有用的信息，对于提高我们的生活质量和工作效率具有重要意义。
因此研究目标跟踪算法与检测处理技术显得尤为重要。
目标跟踪算法是一种自动定位和跟踪目标的技术，它可以在视频序列中找到已经出现的物体，并随着时间的推移实时更新物体的位置。
城市目标跟踪算法的研究与应用
城市目标跟踪算法的研究与应用随着城市规模的不断扩大和城市化进程的加速，城市交通、环保、公共安全等问题日益突出，如何对城市中的各种目标进行有效的监测和管理已成为当务之急。
而城市目标跟踪算法就是解决这一问题的重要手段之一。
本文将就城市目标跟踪算法的研究与应用展开探讨。
一、城市目标跟踪算法的基本原理城市目标跟踪算法的基本原理是通过对目标在连续帧中的变化进行分析和研究，根据目标的特征和行为进行识别、分类和跟踪。
常见的城市目标包括车辆、行人、自行车、交通标志等，对不同种类的目标，需要采用不同的特征描述方法和跟踪策略。
城市目标跟踪算法主要包括三个步骤：目标检测、目标定位和目标跟踪。
目标检测是通过图像处理算法对图像中的目标进行检测和识别，整个过程通常包括前景检测、背景建模、前景分割等步骤。
目标定位是指在检测到目标之后，进一步确定目标在图像中的位置和大小。
目标跟踪是指在确定了目标位置后，不断地通过对目标特征和行为的监测和分析，来跟踪目标的运动轨迹和状态变化。
常见的城市目标跟踪算法包括以卡尔曼滤波器为基础的方法、神经网络方法、粒子滤波器方法等。
二、城市目标跟踪算法的发展现状城市目标跟踪算法是计算机视觉领域中的一个重要研究方向，随着计算机硬件和软件技术的发展，城市目标跟踪算法已经取得了很大的进展。
近年来，针对城市交通管理、环保监测等问题，各国城市管理部门和科研机构相继推出了一系列可追踪目标的监测系统，这些系统大多采用了计算机视觉技术和城市目标跟踪算法，并在实际应用中取得了良好的效果。
比如美国的Red Light Camera System用于追踪城市中的红灯违规车辆，并进行相应处罚，而中国的公交车GPS监控系统则用于对公交车进行追踪和路径规划，优化公交出行，节省能源成本。
但是，目前城市目标跟踪算法仍面临着诸多的技术难题和挑战。
首先，城市目标的种类繁多，不同目标之间存在着巨大的差异性，如何利用有效的特征描述方法进行分类和识别是一个难点。
基于meanshift算法的目标跟踪研究开题报告毕设
基于meanshift算法的目标跟踪研究开题报告毕设本文将围绕“基于meanshift算法的目标跟踪研究开题报告毕设”进行介绍和探讨。
本篇文章主要分为以下内容：研究背景，研究目的，研究方法，预期结果和研究意义。
一、研究背景首先介绍一下研究背景。
目标跟踪技术一直是计算机视觉领域的重要研究领域之一。
在众多目标跟踪算法中，本文将主要研究基于meanshift算法的目标跟踪。
二、研究目的其次是研究目的。
本文旨在研究基于meanshift算法的目标跟踪，针对现有算法的不足和难点，寻求优化和改进方法。
并且通过试验验证，提高目标跟踪的精度和实时性，更好地满足实际应用需求。
三、研究方法研究方法是本文的重点内容之一。
本文的主要方法是基于meanshift算法实现目标跟踪。
具体实现流程如下：1、对视频帧进行分割，提取出感兴趣的区域；2、提取目标颜色特征值，进行目标初始位置设定；3、不断更新目标的位置信息，直到达到停止条件，实现目标跟踪。
四、预期结果接下来是预期结果。
本文预期实现基于meanshift算法的目标跟踪，研究出实用性更强、更高效的目标跟踪算法。
并且通过实验数据分析，验证目标跟踪算法的精度和实时性的提升。
五、研究意义最后是研究意义。
本文的研究结果将具有重要的理论和实际应用价值。
一方面，基于本文得出的算法改进方法，可以提高目标跟踪算法的精度、鲁棒性和实时性，对目标跟踪算法的研究具有重要的推动作用。
另一方面，成功实现基于meanshift算法的目标跟踪可以广泛应用于人工智能、智能交通等领域，实现更好的自动化和智能化。
综上所述，“基于meanshift算法的目标跟踪研究开题报告毕设”将探究目标跟踪技术的前沿理论和实际应用，并采用基于meanshift算法的跟踪方法方案。
预计本研究对于现有的目标跟踪研究提出创新性思路和实用性改进方法，具有较高的学术和工程价值。
- 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)。
I (此文档为word格式，下载后您可任意编辑修改！) 目 录 摘 要 .............................................................................................................................. 1 ABSTRACT ................................................................................................................... 2 第一章 绪 论 ................................................................................................................ 3 1.1课题研究背景和意义 ....................................................................................... 4 1.2国内外研究现状 ............................................................................................... 4 1.3本文的具体结构安排 ....................................................................................... 7 第二章 运动目标检测 .................................................................................................. 7 2.1检测算法及概述 ............................................................................................... 8 2.1.1连续帧间差分法 ..................................................................................... 9 2.1.2背景去除法 ........................................................................................... 11 2.1.3光流法 ................................................................................................... 13 第三章 运动目标跟踪方法 ........................................................................................ 16 3.1引言 ................................................................................................................. 16 3.2运动目标跟踪方法 ......................................................................................... 16 3.2.1基于特征匹配的跟踪方法 ................................................................... 16 3.2.2基于区域匹配的跟踪方法 ................................................................... 17 3.2.3基于模型匹配的跟踪方法 ................................................................... 18 3.3运动目标搜索算法 ......................................................................................... 18 3.3.1绝对平衡搜索法 .................................................................................... 18 3.4绝对平衡搜索法实验结果 ............................................................................. 19 3.4.1归一化互相关搜索法 ........................................................................... 21 3.5归一化互相关搜索法实验结果及分析 ......................................................... 22 第四章 模板更新与轨迹预测 .................................................................................. 26 4.1模板更新简述及策略 ..................................................................................... 26 4.2轨迹预测 ......................................................................................................... 28 4.2.1线性预测 ............................................................................................... 29 4.2.2平方预测器 ........................................................................................... 30 4.3实验结果及分析： ......................................................................................... 31 致 谢 ............................................................................................................................ 36 参考文献 ...................................................................................................................... 37 毕业设计小结 .............................................................................................................. 38 1 摘 要 图像序列目标跟踪是计算机视觉中的经典问题，它是指在一组图像序列中，根据所需目标模型，实时确定图像中目标所在位置的过程。它最初吸引了军方的关注，逐渐被应用于电视制导炸弹、火控系统等军用备中。序列图像运动目标跟踪是通过对传感器拍摄到的图像序列进行分析，计算出目标在每帧图像上的位置。它是计算机视觉系统的核心，是一项融合了图像处理、模式识别、人工只能和自动控制等领域先进成果的高技术课题，在航天、监控、生物医学和机器人技术等多种领域都有广泛应用。因此，非常有必要研究运动目标的跟踪。 本论文就图像的单目标跟踪问题，本文重点研究了帧间差分法和背景去除法等目标检测方法，研究了模板相关匹配跟踪算法主要是：最小均方误差函数(MES)，最小平均绝对差值函数(MAD)和最大匹配像素统计(MPC)的跟踪算法。在跟踪过程中，由于跟踪设备与目标的相对运动, 视野中的目标可能出现大小、形状、姿态等变化, 加上外界环境中的各种干扰, 所要跟踪的目标和目标所在的场景都发生了变化, 有可能丢失跟踪目标。为了保证跟踪的稳定性和正确性, 需要对模板图像进行自适应更新。由于目标运动有一定得规律，可以采取轨迹预测以提高跟踪精度，本文采用了线性预测法。 对比分析了相关匹配算法的跟踪精度和跟踪速度；对比不采用模板更新和模板跟新的跟踪进度和差别，实验表明，跟踪算法加上轨迹预测及模板跟新在很大程度上提高了跟踪帧数，提高了跟踪精度，具有一定的抗噪声性能。
关键词： 目标跟踪，目标检测 ，轨迹预测 ，模板更新 ABSTRACT Target tracking, image sequence is a classic computer vision problems, it is defined as a set of image sequences, in accordance with requirements of the target model, real-time images to determine the location of the target process. It initially attracted the concern of the military applied to television-guided bombs, fire control systems for military preparation. Moving target tracking sensor is taken through the image sequence analysis, to calculate the target image in each frame position. It is the core of computer vision system is a combination of image processing, pattern recognition, artificial only and the results of automatic control in areas such as advanced the aerospace, control, biomedical and robotics fields, etc. There are widely used. Thus, it is necessary to study the tracking of moving targets. In this paper, the image of the single-target tracking problem, research the target detection method is mainly based on inter-frame difference and background removal method to detect the target in preparation for target tracking. Template matching tracking algorithm is: the smallest mean square error function (MES), the smallest mean absolute difference function (MAD) and the maximum matching pixel statistics (MPC) of the tracking algorithm. In the tracking process, due to the relative camera movement with the goal, the goal of vision may occur in size, shape, gesture, such as changes in the external environment combined with the various kinds of interference, as well as over time, to track where the goals and objectives scene changes place, it is possible to track the target is lost. In order to ensure the stability and tracking accuracy, the need for adaptive template image update. Since the goal of movement must be the law of the forecast track could take to improve the tracking precision, this article uses the square of the linear prediction method and prediction method. Analysis of the relevant matching algorithm to track the tracking accuracy and speed; contrast do not use templates and template updates with the new tracking the progress and differences in the experiment proved that the tracking algorithm with