均值漂移算法在寻找最佳路径的过程中收敛速度快，计算复杂度较小，不需要参数，因此在目标区域已知的情况下完全可以做到实时跟踪。算法采用了加权的核函数直方图来建立模型，因此对于目标小幅度的旋转、轻微变形和部分遮挡等变化不敏感。但是由于跟踪过程中搜索窗的核函数带宽大小保持不变，当目标尺度发生变化或运动速度过快时，会造成跟踪失败。算法整体的模板也没有进行必要的学习和维护。常结合颜色直方图作为搜索特征，却在目标颜色特征描述方面略显匮乏，特征单一，缺少空间信息。针对搜索窗核函数带宽大小不变的问题，Bradski对Mean shift算法进行扩展，提出了Camshift [16]算法，其出发点在于处理一个视频序列，扩大初始目标范围，在每帧图像的目标邻域范围内选取若干候选点，使用多次Mean shift迭代来寻找最优结果，当目标的大小发生变化的时候，该算法就能够自行地根据目标大小调整跟踪区域。文献综述

4。基于特征的跟踪算法 

基于特征匹配的跟踪方法通常不会考虑全局特征，而是关注独特性较高的局部信息特征。在实时序列图像中检测并提取特征，与初始的目标特征进行匹配来实现目标跟踪。根据相似性的度量，相应的特征能够正确匹配就认为跟踪上了运动目标。该算法主要分为特征的提取和匹配两部分。为了保证匹配效果，理想的目标图像特征是要高度可区分的，对不同的图像内容要能够较好的分类。在光照、尺度等变化下，需要保持一定的不变性。同样的，要达到实时性的要求。常用的目标对象特征有颜色、纹理、边缘、块特征、光流特征、角点等。 

特征匹配是利用提取的目标特征，在模板图像与待检测图像之间以最优匹配算法来形成符合要求的匹配点，从而实现目标跟踪。常见的基于特征匹配的跟踪算法[17]有基于目标二值化图像匹配的跟踪、基于边缘特征匹配的跟踪、基于目标灰度特征匹配的跟踪、基于目标颜色特征匹配的跟踪等。其中较经典的有Moravec角点检测法[18],之后Harris和 Stephens[19]提出了对Moravec改进的Harris算法，1995年Smith[20]等人提出了SUSAN算法。基于特征的跟踪算法的优点是特征分布在相应的目标区域中，这样一来即使目标的某一部分被遮挡，未被遮挡的部分仍然能够通过特征检测出来，继续完成跟踪任务，所以该方法实现的跟踪效果比较稳定。另外，在此基础上增加Kalman[21]滤波器，通过预测运动目标可能出现的位置，缩小搜索范围，也能达到目标的准确跟踪。对于目标跟踪具有较高的有效性来说，所需要提取的特征数目是可观的，但这就会造成如果数目过多，耗费时间长，就无法保证算法的实时性甚至跟踪错误的后果。反之，采用的特征过少则会出现漏检，无法识别跟踪运动目标的情况。

就目前的运动目标跟踪算法而言，在实际应用中，鲜有能够同时兼顾有效性和实时性两方面效果的单一算法，因此与目标检测算法一样，大多数都是采用多种方法混合以得到更好的跟踪效果。

3  尺度不变特征变换算法

检测出运动目标后需要对其在序列图像之间进行匹配，这是在目标追踪算法中非常重要的部分，匹配结果的好坏将会直接影响跟踪效果准确度以及追踪速度。较经典的匹配方法通常利用角点或边缘作为特征，这种方法的鲁棒性不强，一旦周围环境变化，就会对结果产生严重的影响。因此能够适应光照变化，旋转，尺度缩放等情况的强鲁棒性算法是非常有必要的。本文所讨论的就是尺度不变特征变换算法。来:自[优.尔]论,文-网www.youerw.com +QQ752018766-