基於特徵的跟蹤方法研究

⑴ 計算機視覺中，目前有哪些經典的目標跟蹤演算法

光流法 和 特徵跟蹤法
典型的光流法 為 lucas-canade
典型的特徵跟蹤法 如 KLT tracker

⑵ 基於特徵光流法的運動汽車視覺跟蹤設計（非專業人士勿擾）

視覺跟蹤其實就是利用圖像處理技術分析出圖像序列中運動的那個物體。
特徵是必須的，沒有特診就沒有跟蹤的依據，但是可以選擇的特徵很豐富，原理各部相同沒有相關性。你這里的光流法是利用時間上的統計特性，至於你所謂的特徵光流法就看你自己做的什麼東西什麼要求了，別人不知道你要做什麼，什麼特徵。
視頻圖像序列檢測方法很多，無法回答
第四題大多的圖像處理書上都有，建議你好好看看書
第五題更回答不出來了，原因前面說了。

基於你的問題，我認為，這個可能是碩士論文吧（除非是普通的背景生成可以給本科做做）！首先你要好好的看書，這些問題不應該來問而是自己學的，這是最基本的學習研究能力。第二，你的問題問的太大了，顯得很不專業，你的問題找教授來也無從下口回答你。
建議你看數字圖像處理的書，外面很多，岡薩雷斯的可能比較容易上手。講解的比較通俗易懂，利於你掌握基本知識。
另外你應該在具體方法上大量查閱文獻資料（不要說不會查），這些會是一系列的數學問題，別人幫不了你，即使你的導師（除非你是本科生，導師給你的基本都是有成型的東西）。你論文中必須詳細描述的。

⑶ 多特徵聯合的稀疏跟蹤方法

針對目標跟蹤中單一特徵描述目標能力較弱的情況，提出一種多種特徵聯合的稀疏表示跟蹤方法。在粒子濾波框架下，首先，提取目標模板和候選粒子的多種特徵並對其進行核化處理；然後，用字典模板對各候選粒子進行聯合稀疏表示，採用可核化的加速近端梯度（KAPG）方法求解稀疏系數並實現候選粒子的重構；最後，將具有最小重構誤差的粒子作為跟蹤結果。

⑷ 如果一機器人跟蹤人，它用什麼識別人並跟蹤特定的人呢

2.1 基於視頻圖像處理的跟蹤技術
目前，關於目標跟蹤技術研究最多的是基於視頻圖像處理的跟蹤技術，主要有下面幾種方法。
2.1.1 基於運動分析的方法
幀間差分方法和光流分割法是基於運動分析的主要方法。幀間差分方法是對相鄰幀圖像作相減運算之後，對結果圖像取閾值並分割，提取運動目標。光流分割法是通過目標和背景之間的不同速度來檢測運動目標。
2.1.2 基於圖像匹配的方法
基於圖像匹配的方法可以識別待定目標及確定運動目標的相對位置，正確截獲概率和定位精度是圖像匹配的主要性能指標。基於匹配的原理，該方法可分為區域匹配、特徵匹配、模型匹配和頻率域的匹配。
區域匹配的思想是把參考圖像的某一塊整體與實時圖像的在所有可能位置上進行疊加，然後計算某種圖像相似性度量的相應值，其最大相似性相對應的位置就是目標的位置。特徵匹配即在提取特徵後，對特徵屬性矢量（點、邊緣、線段、小面或局部能量）作相關度計算，相關系數的峰值即為匹配位置。模型匹配是建立合適的目標模型，通過與圖像的匹配結果來選定目標的位置。頻率域匹配是將視頻圖像變換到頻率域，然後根據變換系數的幅值或相位來檢測目標的運動。
2.2 基於紅外的跟蹤技術
除了基於普通的視頻圖像處理的跟蹤技術，基於紅外圖像的跟蹤技術也有較多的應用。
物理學的研究告訴找們， 自然界中任何溫度高於絕對零度的物體都在向外輻射各種波長的紅外線，物體的溫度越高，其輻射紅外線的強度也越大。因此，從理論上講，任何目標都有可能被紅外探測器探測到，因此基於紅外的跟蹤技術具有抗干擾能力強，探測距離遠，對光照條件無要求等特點。由於這些特點紅外跟蹤技術更多的應用在軍事領域，例如紅外製導、機載紅外搜索跟蹤系統、紅外熱瞄準等。
2.3 基於衛星定位的跟蹤技術
主要思想是通過導航定位衛星獲取絕對位置在進行跟蹤。目前的導航衛星主要有GPS、
GLONASS、GALILEO這三個系統。
GPS是目前全球使用最為廣泛的導航定位衛星星座，是由美國國防部於20世紀70年代建立的。
GLONASS是由前蘇聯(現由俄羅斯)國防部獨立研製和控制的第二代軍用衛星導航系統，與美國的GPS相似，該系統也開設民用窗口。
與GPS和GLONASS系統不同，GALILEO系統完全是一個非軍方控制和管理的民用導航定位系統。Galileo系統是歐盟和歐空局共同提出的項目。

⑸ 運動目標跟蹤檢測論文怎麼寫呢

運動目標檢測與跟蹤演算法研究 視覺是人類感知自身周圍復雜環境最直接有效的手段之一， 而在現實生活中 大量有意義的視覺信息都包含在運動中，人眼對運動的物體和目標也更敏感，能 夠快速的發現運動目標， 並對目標的運動軌跡進行預測和描繪。 隨著計算機技術、 通信技術、圖像處理技術的不斷發展，計算機視覺己成為目前的熱點研究問題之 一。 而運動目標檢測與跟蹤是計算機視覺研究的核心課題之一， 融合了圖像處理、 模式識別、人工智慧、自動控制、計算機等眾多領域的先進技術，在軍事制導、 視覺導航、視頻監控、智能交通、醫療診斷、工業產品檢測等方面有著重要的實 用價值和廣闊的發展前景。 1、國內外研究現狀 1.1 運動目標檢測 運動目標檢測是指從序列圖像中將運動的前景目標從背景圖像中提取出來。 根據運動目標與攝像機之間的關系， 運動目標檢測分為靜態背景下的運動目標檢 測和動態背景下的運動目標檢測。 靜態背景下的運動目標檢測是指攝像機在整個 監視過程中不發生移動； 動態背景下的運動目標檢測是指攝像機在監視過程中發 生了移動，如平動、旋轉或多自由度運動等。 靜態背景 靜態背景下的運動目標檢測方法主要有以下幾種： （1）背景差分法 背景差分法是目前最常用的一種目標檢測方法， 其基本思想就是首先獲得一個 背景模型，然後將當前幀與背景模型相減，如果像素差值大於某一閾值，則判斷 此像素屬於運動目標，否則屬於背景圖像。利用當前圖像與背景圖像的差分來檢 測運動區域，一般能夠提供比較完整的特徵數據，但對於動態場景的變化，如光 照和外來無關事件的干擾等特別敏感。 很多研究人員目前都致力於開發不同的背 景模型，以減少動態場景變化對運動目標檢測的影響。背景模型的建立與更新、 陰影的去除等對跟蹤結果的好壞至關重要。 背景差分法的實現簡單，在固定背景下能夠完整地精確、快速地分割出運動 對象。不足之處是易受環境光線變化的影響，需要加入背景圖像更新機制，且只 對背景已知的運動對象檢測比較有效， 不適用於攝像頭運動或者背景灰度變化很 大的情況。 （2）幀間差分法 幀間差分法是在連續的圖像序列中兩個或三個相鄰幀間， 採用基於像素的時 間差分並閾值化來提取圖像中的運動區域。 幀間差分法對動態環境具有較強的自 適應性，但一般不能完全提取出所有相關的特徵像素點，在運動實體內部容易產 生空洞現象。因此在相鄰幀間差分法的基礎上提出了對稱差分法，它是對圖像序 列中每連續三幀圖像進行對稱差分，檢測出目標的運動范圍，同時利用上一幀分 割出來的模板對檢測出來的目標運動范圍進行修正， 從而能較好地檢測出中間幀 運動目標的形狀輪廓。 幀間差分法非常適合於動態變化的環境，因為它只對運動物體敏感。實際上 它只檢測相對運動的物體，而且因兩幅圖像的時間間隔較短，差分圖像受光線 變化影響小，檢測有效而穩定。該演算法簡單、速度快，已得到廣泛應用。雖然該 方法不能夠完整地分割運動對象，只能檢測出物體運動變化的區域，但所檢測出 的物體運動信息仍可用於進一步的目標分割。 （3）光流法 光流法就充分的利用了圖像自身所攜帶的信息。在空間中,運動可以用運動 場描述,而在一個圖像平面上,物體的運動往往是通過圖像序列中圖像灰度分布 的不同來體現,從而使空間中的運動場轉移到圖像上就表示為光流場。所謂光流 是指空間中物體被觀測面上的像素點運動產生的瞬時速度場， 包含了物體表面結 構和動態行為等重要信息。 基於光流法的運動目標檢測採用了運動目標隨時間變 化的光流特性，由於光流不僅包含了被觀測物體的運動信息，還攜帶了物體運動 和景物三位結構的豐富信息。 在比較理想的情況下,它能夠檢測獨立運動的對象, 不需要預先知道場景的任何信息,可以很精確地計算出運動物體的速度,並且可 用於動態場景的情況。 但是大多數光流方法的計算相當復雜,對硬體要求比較高, 不適於實時處理,而且對雜訊比較敏感,抗噪性差。並且由於遮擋、多光源、透明 性及雜訊等原因，使得光流場基本方程——灰度守恆的假設條件無法滿足，不能 正確求出光流場，計算方也相當復雜，計算量巨大，不能滿足實時的要求。 動態背景 動態背景下的運動目標檢測由於存在著目標與攝像機之間復雜的相對運動， 檢測方法要比靜態背景下的運動目標檢測方法復雜。常用的檢測方法有匹配法、 光流法以及全局運動估計法等。 2、運動目標跟蹤 運動目標跟蹤是確定同一物體在圖像序列的不同幀中的位置的過程。 近年來 出現了大批運動目標跟蹤方法，許多文獻對這些方法進行了分類介紹，可將目標 跟蹤方法分為四類：基於區域的跟蹤、基於特徵的跟蹤、基於活動輪廓的跟蹤、 基於模型的跟蹤，這種分類方法概括了目前大多數跟蹤方法，下面用這種分類方 法對目前的跟蹤方法進行概括介紹。 (1)基於區域的跟蹤 基於區域的跟蹤方法基本思想是： 首先通過圖像分割或預先人為確定提取包 含目標區域的模板，並設定一個相似性度量，然後在序列圖像中搜索目標，把度 量取極值時對應的區域作為對應幀中的目標區域。 由於提取的目標模板包含了較 完整的目標信息，該方法在目標未被遮擋時，跟蹤精度非常高，跟蹤非常穩定， 但通常比較耗時，特別是當目標區域較大時，因此一般應用於跟蹤較小的目標或 對比度較差的目標。該方法還可以和多種預測演算法結合使用，如卡爾曼預測、粒 子預測等，以估計每幀圖像中目標的位置。近年來，對基於區域的跟蹤方法關注 較多的是如何處理運動目標姿態變化引起的模板變化時的情況以及目標被嚴重 遮擋時的情況。 (2)基於特徵的跟蹤 基於特徵的跟蹤方法基本思想是：首先提取目標的某個或某些局部特徵，然 後利用某種匹配演算法在圖像序列中進行特徵匹配，從而實現對目標的跟蹤。該方 法的優點是即使目標部分被遮擋，只要還有一部分特徵可以被看到，就可以完成 跟蹤任務，另外，該方法還可與卡爾曼濾波器結合使用，實時性較好，因此常用 於復雜場景下對運動目標的實時、 魯棒跟蹤。 用於跟蹤的特徵很多， 如角點邊緣、 形狀、紋理、顏色等，如何從眾多的特徵中選取最具區分性、最穩定的特徵是基 於特徵的跟蹤方法的關鍵和難點所在。 (3)基於活動輪廓的跟蹤 基於活動輪廓的跟蹤方法基本思想是：利用封閉的曲線輪廓表達運動目標， 結合圖像特徵、曲線輪廓構造能量函數，通過求解極小化能量實現曲線輪廓的自 動連續更新，從而實現對目標的跟蹤。自Kass在1987年提出Snake模型以來，基 於活動輪廓的方法就開始廣泛應用於目標跟蹤領域。相對於基於區域的跟蹤方 法，輪廓表達有減少復雜度的優點，而且在目標被部分遮擋的情況下也能連續的 進行跟蹤，但是該方法的跟蹤結果受初始化影響較大，對雜訊也較為敏感。 (4)基於模型的跟蹤 基於模型的跟蹤方法基本思想是： 首先通過一定的先驗知識對所跟蹤目標建 立模型，然後通過匹配跟蹤目標，並進行模型的實時更新。通常利用測量、CAD 工具和計算機視覺技術建立模型。主要有三種形式的模型，即線圖模型、二維輪 廓模型和三維立體模型口61，應用較多的是運動目標的三維立體模型，尤其是對 剛體目標如汽車的跟蹤。該方法的優點是可以精確分析目標的運動軌跡，即使在 目標姿態變化和部分遮擋的情況下也能夠可靠的跟蹤， 但跟蹤精度取決於模型的 精度，而在現實生活中要獲得所有運動目標的精確模型是非常困難的。 目標檢測演算法，至今已提出了數千種各種類型的演算法，而且每年都有上百篇相 關的研究論文或報告發表。盡管人們在目標檢測或圖像分割等方面做了許多研 究，現己提出的分割演算法大都是針對具體問題的，並沒有一種適合於所有情況的 通用演算法。 目前， 比較經典的運動目標檢測演算法有： 雙幀差分法、 三幀差分法(對 稱差分法)、背景差法、光流法等方法，這些方法之間並不是完全獨立，而是可 以相互交融的。 目標跟蹤的主要目的就是要建立目標運動的時域模型， 其演算法的優劣直接影響 著運動目標跟蹤的穩定性和精確度， 雖然對運動目標跟蹤理論的研究已經進行了 很多年，但至今它仍然是計算機視覺等領域的研究熱點問題之一。研究一種魯棒 性好、精確、高性能的運動目標跟蹤方法依然是該研究領域所面臨的一個巨大挑 戰。基於此目的，系統必須對每個獨立的目標進行持續的跟蹤。為了實現對復雜 環境中運動目標快速、穩定的跟蹤，人們提出了眾多演算法，但先前的許多演算法都 是針對剛體目標，或是將形變較小的非剛體近似為剛體目標進行跟蹤，因而這些 演算法難以實現對形狀變化較大的非剛體目標的正確跟蹤。 根據跟蹤演算法所用的預 測技術來劃分，目前主要的跟蹤演算法有：基於均值漂移的方法、基於遺傳演算法的 方法、基於Kalman濾波器的方法、基於Monto Carlo的方法以及多假設跟蹤的方 法等。 

運動檢測與目標跟蹤演算法模塊 運動檢測與目標跟蹤演算法模塊 與目標跟蹤 一、運動檢測演算法 1.演算法效果 演算法效果總體來說，對比度高的視頻檢測效果要優於對比度低的視頻。 演算法可以比較好地去除目標周圍的淺影子，淺影的去除率在 80%以上。去影後目標的 完整性可以得到較好的保持，在 80%以上。在對比度比較高的環境中可以准確地識別較大 的滯留物或盜移物。 從對目標的檢測率上來說，對小目標較難進行檢測。一般目標小於 40 個像素就會被漏 掉。對於對比度不高的目標會檢測不完整。總體上來說，演算法在對比度較高的環境中漏檢率 都較低，在 0.1%以下，在對比度不高或有小目標的場景下漏檢率在 6%以下。 精細運動檢測的目的是在較理想的環境下盡量精確地提取目標的輪廓和區域， 以供高層 進行應用。同時在分離距離較近目標和進行其它信息的進一步判斷也具有一定的優勢。 反映演算法優缺點的詳細效果如下所示： 去影子和完整性 效果好 公司內視頻 左邊的為去影前，右邊的 為去影後的結果，可以看出在 完整 性和去影率上 都有所 突 出。 這兩個視頻的共周特點 城市交通 是，影子都是淺影子，視頻噪 聲不太明顯。目標與背景的對 比度比較高。 效果差 這兩個視頻的特點是影子 都是深影子。雖然影子沒有去 掉，但是物體的完整性是比較 高的。主要原因就是場景的對 路口，上午 十點 比度比較高。 滯留物檢測和穩定性 效果好 會議室盜移 效果好的原因，一是盜移或 滯留目標與背景對比度較大，二 是目標本身尺寸較大。 另外盜移物或滯留物在保持 各自的狀態期間不能受到光照變 化或其它明顯運動目標的干擾， 要不然有可能會造成判斷的不穩 定。 效果差 會議室 遺留 物 大部分時間內，滯留的判斷 都是較穩定的，但是在後期出現 了不穩定。主要原因是目標太小 的原故。 因此在進行滯留物判斷時， 大目標，對比度較高的環境有利 於判斷的穩定性和准確性。 漏檢率 效果好 城市交通 在對比度高的環境下， 目標相對都較大的情況下 （大於 40 個像素） 可以很 ， 穩定的檢測出目標。 在這種 條件下的漏檢率通常都是 非常低的，在 0.1%以下。 效果差 行人－傍晚 和「行人」目錄下 的 其 它 昏 暗 條件 下的視頻 在對 比度較低的 情況 下，會造成檢測結果不穩 定。漏檢率較高。主要原因 是由於去影子造成的。 這種 對比度下的漏檢率一般在 6%以下。 除了 對比度低是 造成 漏檢的原因外， 過小的目標 也會造成漏檢，一般是 40 個像素以下的目標都會被 忽略掉。 1.2 演算法效率內存消耗（單位：b） .MD_ISRAM_data .MD_ISRAM_bss .MD_SDRAM_data 0x470 0x24 0x348 .MD_SDRAM_bss .MD_text 0x1a8480 0x6d40 速度 ms 運動區域占 2/3 左右時 CPU 佔用率 一幀耗時 Max:57% Min:2.8% Avg:37.5% Max:23 Min:1.14 Avg:15 運動區域占 1/3 左右時 Max:45% Min:2.8% Avg:20% Max:18 Min:1.14 Avg:8 1.3 檢測參數說明 檢測參數說明 檢測到的滯留物或盜走物的消失時間目前分別設定在 200 幀和 100 幀， 可以通過參數來 自行調整。 目前目標與背景的差異是根據局部光照強度所決定的， 范圍在 4 個像素值以上。 目前參 數設置要求目標大小要在 20 個像素以上才能被檢測到，可以通過參數來自行調整。 目標陰影的去除能力是可以調整的， 目前的參數設置可以去除大部分的淺影子和較小的 光照變化。 1.4 適用環境推薦光照條件較好（具有一定的對比度）的室內環境或室外環境。不易用它去檢測過小的目 標，比如小於 40 個像素的目標。室外環境不易太復雜。輸出目標為精細輪廓目標，可以為 後面高層應用提供良好的信息。 二、目標跟蹤 2.1 穩定運行環境要求此版本跟蹤演算法與運動檢測演算法緊密結合， 對相機的架設和視頻的背景環境和運動目標 數量運動方式有一定要求： 背景要求： 由於運動跟蹤是基於運動檢測的結果進行的， 所以對背景的要求和運動檢測一樣， 背景要求： 運動目標相對於背景要有一定反差。 運動目標：由於運動檢測中，對較小的目標可能過濾掉。所以運動目標的大小要符合運動檢 運動目標： 測的要求。運動目標的速度不能太大，要保證前後幀運動目標的重合面積大於 10 個像素。此閾值可修改(建議不要隨意修改，過小，可能把碎片當成原目標分 裂出來的小目標，過大，可能失去跟蹤。當然可試著調節以適應不同場景)。該 演算法對由於運動檢測在地面上產生的碎片抗干擾性比較差， 運動目標和碎片相遇 時，容易發生融合又分離的現象，造成軌跡混亂。消失目標和新生目標很容易當 成同一目標處理，所以可能出現一個新目標繼承新生目標的軌跡。 運動方式： 運動目標的最大數量由外部設定。 但運動跟蹤對運動目標比較稀疏的場景效果比 運動方式： 較好。 演算法對由於運動檢測在運動目標上產生的碎片有一定的抗干擾。 演算法沒對 物體的遮擋進行處理。對於兩運動目標之間的遮擋按融合來處理。 拍攝角度： 拍攝角度：拍攝視野比較大，且最好是俯視拍攝。

⑹ 題目內容： 利用C++或者Matlab實現一種運動目標跟蹤方法。主要涉及到運動目標的特徵計算、預測和匹配。

建議去看看openCV，那個里有專門的跟蹤和檢測的庫函數

⑺ 在雙目視覺系統中有哪些比較好的跟蹤演算法

與普通的圖像模板匹配不同的是，立體匹配是通過在兩幅或多幅存在視點差異、幾何畸變、灰度畸變、雜訊干擾的圖像對之間進行的，不存在任何標准模板進行匹配。立體匹配方法一般包含以下三個問題:(1)基元的選擇，即選擇適當的圖像特徵如點、直線、相位等作為匹配基元;(2)匹配的准則，將關於物理世界的某些固有特徵表示為匹配所必須遵循的若干規則，使匹配結果能真實反映景物的本來面目;(3)演算法結構，通過利用適當的數學方法設計能正確匹配所選擇基元的穩定演算法。 根據匹配基元的不同，立體視覺匹配演算法目前主要分為三大類,即區域匹配、相位匹配和特徵匹配: 基於區域灰度的匹配演算法是把一幅圖像(基準圖)中某一點的灰度鄰域作為模板，在另一幅圖像(待匹配圖)中搜索具有相同(或相似)灰度值分布的對應點鄰域，從而實現兩幅圖像的匹配。這類演算法的性能取決於度量演算法及搜索策略的選擇。另外，也必須考慮匹配窗口大小、形式的選擇，大窗口對於景物中存在的遮擋或圖像不光滑的情況會更多的出現誤匹配，小窗口則不具有足夠的灰度變化信息，不同的窗口形式對匹配信息也會有不同的影響。因此應該合理選取匹配區域的大小和形式來達到較好的匹配結果。 相位匹配是近二十年發展起來的一種匹配演算法，相位作為匹配基元，即認為圖像對中的對應點局部相位是一致的。最常用的相位匹配演算法有相位相關法和相位差——頻率法，雖然該方法是一種性能穩定、具有較強的抗輻射抗透視畸變能力、簡單高效、能得到稠密視差圖的特徵匹配方法。但是，當局部結構存在的假設不成立時，相位匹配演算法因帶通輸出信號的幅度太低而失去有效性，也就是通常提到的相位奇點問題，在相位奇點附近，相位信息對位置和頻率的變化極為敏感，因此用這些像素所確定的相位差異來衡量匹配誤差將導致極不可靠的結果。此外，相位匹配演算法的收斂范圍與帶通濾波器的波長有關，通常要考慮相位卷繞，在用相位差進行視差計算時，由於所採用的相位只是原信號某一帶通條件下的相位，故視差估計只能限制在某一限定范圍之內，隨視差范圍的增大，其精確性會有所下降。 基於特徵的圖像匹配方法是目前最常用的方法之一，由於它能夠將對整個圖像進行的各種分析轉化為對圖像特徵(特徵點、特徵曲線等)的分析的優點，從而大大減小了圖像處理過程的計算量，對灰度變化、圖像變形、噪音污染以及景物遮擋等都有較好的適應能力。 基於特徵的匹配方法是為使匹配過程滿足一定的抗噪能力且減少歧義性問題而提出來的。與基於區域的匹配方法不同，基於特徵的匹配方法是有選擇地匹配能表示景物自身特性的特徵，通過更多地強調空間景物的結構信息來解決匹配歧義性問題。這類方法將匹配的搜索范圍限制在一系列稀疏的特徵上。利用特徵間的距離作為度量手段，具有最小距離的特徵對就是最相近的特徵對，也就是匹配對。特徵間的距離度量有最大最小距離、歐氏距離等。 特徵點匹配演算法嚴格意義上可以分成特徵提取、特徵匹配和消除不良匹配點三步。特徵匹配不直接依賴於灰度，具有較強的抗干擾性。該類方法首先從待匹配的圖像中提取特徵，用相似性度量和一些約束條件確定幾何變換，最後將該變換作用於待匹配圖像。匹配中常用的特徵基元有角點、邊緣、輪廓、直線、顏色、紋理等。同時，特徵匹配演算法也同樣地存在著一些不足，主要表現為: (l)特徵在圖像中的稀疏性決定了特徵匹配只能得到稀疏的視差場，要獲得密集的視差場必須通過使用插值的過程，插值過程通常較為復雜。 (2)特徵的提取和定位的准確與否直接影響特徵匹配結果的精確度。 (3)由於其應用場合的局限性，特徵匹配往往適用於具有特徵信息顯著的環境中，在缺少顯著主導特徵環境中該方法有很大困難。 總之，特徵匹配基元包含了演算法編程上的靈活性以及令人滿意的統計特性。演算法的許多約束條件均能清楚地應用於數據結構，而數據結構的規則性使得特徵匹配非常適用於硬體設計。例如，基於線段的特徵匹配演算法將場景模型描繪成相互聯結的邊緣線段，而不是區域匹配中的平面模型，因此能很好地處理一些幾何畸變問題，對對比度和明顯的光照變化等相對穩定。特徵匹配由於不直接依賴於灰度，計算量小，比基於區域的匹配演算法速度快的多。且由於邊緣特徵往往出現在視差不連續的區域，特徵匹配較易處理立體視覺匹配中的視差不連續問題。

⑻ 視覺追蹤的分類

（1）單攝像頭與多攝像頭
在視頻跟蹤的過程中，根據使用的攝像頭的數目，可將目標跟蹤方法分為單攝像頭跟蹤方法（Monocular camera）與多攝像頭跟蹤方法（Multiple cameras）。由於單攝像頭視野有限，大范圍場景下的目標跟蹤需要使用多攝像頭系統。基於多個攝像頭的跟蹤方法有利於解決遮擋問題，場景混亂、環境光照突變情況下的目標跟蹤問題。
（2）攝像頭靜止與攝像頭運動
在實際的目標跟蹤系統中，攝像頭可以是固定在某個位置，不發生變化，也可以是運動，不固定的。例如，對於大多數的視頻監視系統而言，都是在攝像機靜止狀態下，對特定關注區域進目標的識別跟蹤；而在視覺導航等的應用系統中，攝像頭往往隨著無人汽車、無人機等載體進行運動。
（3）單目標跟蹤與多目標跟蹤
根據跟蹤目標的數量可以將跟蹤演算法分為單目標跟蹤與多目標跟蹤。相比單目標跟蹤而言，多目標跟蹤問題更加復雜和困難。多目標跟蹤問題需要考慮視頻序列中多個獨立目標的位置、大小等數據，多個目標各自外觀的變化、不同的運動方式、動態光照的影響以及多個目標之間相互遮擋、合並與分離等情況均是多目標跟蹤問題中的難點。
（4）剛體跟蹤與非剛體跟蹤
根據被跟蹤目標的結構屬性，可將跟蹤目標分為剛體與非剛體。所謂剛體，是指具備剛性結構、不易形變的物體，例如車輛等目標；非剛體通常指外形容易變形的物體，例如布料表面、衣服表面等。針對剛體目標的跟蹤一直得到廣泛深入的研究，而非剛體目標的跟蹤，由於目標發生變形以及出現自身遮擋等現象，不能直接應用基於剛體目標的跟蹤演算法針對非剛體目標的跟蹤一直是非常困難並且具有挑戰性的課題。
（5）可見光與紅外圖像的目標跟蹤
根據感測器成像的類型不同，目標跟蹤還可以分為基於可見光圖像的跟蹤和基於紅外圖像的跟蹤。目標的紅外圖像和目標的可見光圖像不同，它不是人眼所能看到的可見光圖像，而是目標表面溫度分布的圖像。紅外圖像屬於被動式成像，無需各種光源照明，全天候工作，安全隱敝，使用方便；紅外光較之可見光的波長長得多，透煙霧性能較好，可在夜間工作。可見光圖像具有光譜信息豐富、解析度高、動態范圍大等優點，但在夜間和低能見度等條件下，成像效果差。
比較常用的目標跟蹤演算法有以下幾種：基於目標運動特徵的跟蹤演算法，如：幀差分法、基於光流的跟蹤方法等；基於視頻序列前後相關性的目標跟蹤演算法，如：基於模板的相關跟蹤演算法、基於特徵點的相關跟蹤演算法等；基於目標特徵參數的跟蹤演算法，如基於輪廓的跟蹤演算法、基於特徵點的跟蹤演算法等。另外，很多研究者將小波、人工智慧、神經網路等相關知識應用於目標跟蹤領域，並取得了很好的效果。以上這些演算法各有其優缺點，應該根據應用場合進行選擇。