下载文档原格式
策划方案的目标解读与目标追踪一、背景介绍在现代社会中，策划方案已经成为了组织实施工作的重要手段之一。
通过对目标解读与目标追踪的完善，能够更好地指导策划工作的实施和完成。
本文将从目标解读和目标追踪两个方面来展开。
二、目标解读的重要性目标解读是策划方案实施前的重要环节，它的作用在于明确策划方案的目标和目的。
只有清晰地定义目标，才能确保策划方案执行的方向一致，避免偏离。
三、目标解读的基本原则目标解读的基本原则主要包括可行性、明确性、切实性、合理性和量化性。
可行性指目标能够在一定时间范围和资源条件下实现；明确性指目标要具体明确，不能存在模糊不清的情况；切实性指目标需要符合实际情况，不能脱离实际；合理性指目标需要与整体策划方案相一致，不能与其他目标相悖；量化性指目标需要具体量化，便于追踪和评估实施效果。
四、目标解读的方法和工具目标解读可采用SWOT分析、目标树、逻辑框架等方法和工具。
SWOT分析能够分析策划方案的优势、劣势、机会和威胁，为目标解读提供参考；目标树能够将主要目标和次要目标进行层次化安排，并明确目标之间的关联；逻辑框架则能够展示策划方案实现的逻辑路径，帮助目标解读的全面把握。
五、目标追踪的意义目标追踪是指在策划方案实施过程中对目标的跟踪和评估。
通过目标追踪，可以及时了解实施的进展情况，发现问题，并及时采取相应的措施进行调整和改进。
六、目标追踪的方法和指标目标追踪的方法包括定期汇报、评估调研、绩效管理等。
定期汇报能够及时向相关方汇报实施情况和结果，进行问题沟通和解决；评估调研可以通过问卷调查、访谈等方式对实施效果进行客观评价；绩效管理是通过设定关键绩效指标来对实施进行跟踪和评估，以确保目标的实现。
七、目标解读与目标追踪的关系目标解读与目标追踪是相互依存的两个环节。
目标解读为目标追踪提供了明确的方向，而目标追踪则是对目标解读进行验证和监督的手段。
八、目标解读与目标追踪的挑战目标解读与目标追踪在实施中也面临一些挑战，如目标解读的主观性导致目标定义不准确，目标追踪过程中缺乏必要的资源和数据支持等。
运动目标检测和跟踪的研究及应用的开题报告一、选题背景随着计算机视觉和目标检测技术的飞速发展，人们对运动物体的目标识别、跟踪和分析需求不断增大。
在各种实际应用中，比如智能交通、智能安防、自主驾驶等都需要高效且准确地实现对多个运动目标的检测和跟踪。
目标检测一般使用的是图像处理方法，而且需要针对不同的场景和任务选择不同的模型和算法。
在运动目标的识别、跟踪中，常常会出现比较复杂的场景，如目标的速度快、背景复杂等情况，这些都对目标检测和跟踪的精度和速度提出了更高的要求。
因此，本文将探讨和研究一种高效且准确的运动目标检测和跟踪的方法，以实现更加精确和实时的运动物体目标检测和跟踪。
二、研究内容和意义本文将目标检测和跟踪技术相结合，主要研究以下内容：1. 运动目标检测的算法设计，包括单张图片的检测和视频流的检测，并分析各种算法的优缺点。
2. 运动目标的跟踪方式，包括基于卡尔曼滤波、粒子滤波、深度学习等多种算法进行研究并比较不同算法的效果和适用场合。
3. 利用深度学习技术提高运动目标检测和跟踪的精度和速度，探讨和优化检测和跟踪模型的网络结构和参数设置。
本文的意义在于：1. 研究高效且准确的运动目标检测和跟踪方法，为各种实际应用提供基础支持。
2. 探讨运动目标检测和跟踪领域的最新研究成果和技术进展，为相关研究人员提供参考。
3. 提高运动目标检测和跟踪的精度和速度，以适应更多场景和任务需求。
三、研究方法本文采用实验研究的方法，通过对比不同算法的表现和参数设置的改进，以提高运动目标检测和跟踪的效率和准确度。
具体实验流程如下：1. 获取目标数据集和背景视频，并进行数据预处理和标注。
2. 选择不同的算法进行运动目标检测和跟踪，并进行实验。
3. 对比实验结果，分析算法的优缺点，并针对实验结果进行参数优化和算法改进。
4. 通过实验结果评估算法的准确度和速度，并提出结论和未来工作建议。
四、研究计划本文的研究计划如下：第一周：调研和阅读相关文献，了解目标检测和跟踪的研究进展。
目标跟踪算法及其在小区视频监控中的应用的开题报告一、选题背景随着城市化进程的不断推进，小区作为城市基础建设的重要组成部分，拥有较大的居民人口和复杂的安全管理难题。
为维护小区居民的人身财产安全，小区视频监控系统已成为小区安全管理的必要手段之一。
在小区视频监控系统中，目标跟踪技术是其中的关键技术之一，其能够对视频中的运动目标进行实时识别和跟踪，提高视频监控的安全性和有效性。
二、选题意义目标跟踪技术作为小区视频监控系统的核心技术之一，具有广阔的应用前景和研究价值。
目标跟踪技术的成熟应用可优化小区视频监控系统的安全性和有效性，提供更好的服务和保障居民的人身财产安全。
三、研究内容和方法本文旨在研究目标跟踪算法及其在小区视频监控中的应用，研究内容主要包括：1. 目标跟踪算法研究：对于目标跟踪算法的种类、基本原理和优缺点进行研究，并在此基础上选择适合小区视频监控的目标跟踪算法。
2. 目标跟踪算法的实现：在MATLAB或Python等平台上实现选择的目标跟踪算法，并针对小区视频监控的实际应用场景进行算法的合理调整和优化。
3. 目标跟踪算法在小区视频监控中的应用：将实现的算法运用到小区视频监控中，对实际场景下的算法表现和优化效果进行测试和分析。
四、预期成果本文计划完成以下预期成果：1. 目标跟踪算法的系统研究，包括对不同算法特点的评估和比较，选择出适合于小区视频监控的算法。
2. 目标跟踪算法的实现，包括算法程序设计、调试和优化等工作，并通过实验验证算法功能和性能。
3. 目标跟踪算法在小区视频监控中的应用，包括将算法运用到实际场景中进行测试和分析。
五、研究难点目标跟踪算法的实现和应用过程中，可能会面临以下困难：1. 视频质量问题：小区视频监控系统中的视频质量可能受到光线、天气等因素的影响，会对目标跟踪算法的效果产生影响。
2. 目标识别和背景干扰问题：小区内人流物流较为繁忙，目标跟踪算法需要区分出目标与背景之间的差异，避免目标识别错误。
基于条件随机场的目标跟踪的研究的开题报告一、研究背景目标跟踪是计算机视觉领域中的一个重要研究方向，是对于视频序列中目标的识别、追踪和重建的过程。
随着计算机硬件性能的提升和深度学习技术的应用，目标跟踪技术在实际应用中得到了广泛的应用，如视频监控、自动驾驶、虚拟现实等。
基于条件随机场的目标跟踪是近年来应用较为广泛的目标跟踪方法之一。
条件随机场（Conditional Random Fields，CRF）是一种用于序列标记问题的无向图模型，其主要特点是利用局部特征建模全局特征，能够准确地对器件序列进行建模，具有一定的优越性。
二、研究目的及意义本研究的主要目的是探究基于条件随机场的目标跟踪方法，通过建立目标跟踪的模型，提高目标跟踪的准确性和稳定性。
同时，本研究还将探讨基于条件随机场的目标跟踪方法在实际应用中的效果和优缺点，为目标跟踪技术的实际应用提供指导和支持。
三、研究内容和方法主要内容：1.对基于条件随机场的目标跟踪方法的原理进行深入分析和探究，重点研究基于CRF的目标跟踪模型的构建方法以及模型参数的选择。
2.通过对基于条件随机场的目标跟踪方法进行实验研究，以模拟实际场景中目标跟踪的情况，评估该方法的准确性和鲁棒性，并与其他目标跟踪方法进行比较。
研究方法：1.理论分析法：梳理目标跟踪领域的相关理论和研究成果，对基于条件随机场的目标跟踪方法进行深入分析和探究。
2.实验验证法：通过在目标跟踪领域的标准数据集上进行实验，验证基于条件随机场的目标跟踪方法的准确性和鲁棒性，并与其他目标跟踪方法进行比较。
四、预期结果本研究的预期结果是：1.分析和探究基于条件随机场的目标跟踪方法的原理和特点，包括方法的优点和不足之处，为方法的进一步优化提供指导。
2.基于目标跟踪领域的标准数据集进行实验，验证基于条件随机场的目标跟踪方法的准确性和鲁棒性，同时与其他目标跟踪方法进行比较。
3.探索基于条件随机场的目标跟踪方法的应用前景，并为目标跟踪技术的实际应用提供支持和指导。
《目标跟踪算法综述》篇一一、引言目标跟踪是计算机视觉领域的一个重要研究方向，广泛应用于视频监控、智能驾驶、人机交互等众多领域。
随着深度学习技术的发展，目标跟踪算法取得了显著的进步。
本文旨在全面综述目标跟踪算法的研究现状、主要方法和挑战，以期为相关研究提供参考。
二、目标跟踪算法的研究现状目标跟踪算法的发展历程可以追溯到上世纪中期，经历了从传统方法到深度学习方法的发展。
传统方法主要依赖于特征提取和匹配，而深度学习方法则通过学习大量数据来提高跟踪性能。
近年来，随着深度学习的广泛应用，基于深度学习的目标跟踪算法已成为研究热点。
三、主要目标跟踪算法1. 基于特征的方法基于特征的方法是早期目标跟踪的主要手段，主要包括光流法、模板匹配法等。
这些方法通过提取目标特征，在视频帧之间进行匹配和跟踪。
然而，这些方法对于复杂场景和动态背景的适应性较差。
2. 基于相关滤波的方法相关滤波是一种在频域进行信号处理的方法，也被广泛应用于目标跟踪领域。
该方法通过训练一个相关滤波器来预测目标的运动轨迹。
相关滤波方法具有计算效率高、实时性好的优点，但容易受到目标形变和背景干扰的影响。
3. 基于深度学习的方法基于深度学习的目标跟踪算法是近年来研究的热点。
这些方法通过学习大量数据来提取目标的特征和运动信息，从而实现对目标的准确跟踪。
深度学习方法具有强大的特征提取能力和泛化能力，能够适应复杂场景和动态背景。
四、深度学习在目标跟踪中的应用深度学习在目标跟踪中的应用主要体现在以下几个方面：1. 特征提取：深度神经网络可以自动学习目标的特征表示，提高跟踪的准确性。
2. 上下文信息利用：深度学习方法可以通过学习目标的上下文信息来提高跟踪的鲁棒性。
3. 在线学习与更新：深度学习方法可以在线学习目标的运动信息和外观变化，实现自适应跟踪。
五、挑战与未来研究方向尽管目标跟踪算法已经取得了显著的进步，但仍面临许多挑战和问题。
未来研究方向主要包括：1. 鲁棒性：如何提高算法在复杂场景和动态背景下的鲁棒性是一个重要的问题。
目标跟踪的研究背景意义方法及现状
目标跟踪技术的研究现状比较成熟，已经有了许多经典的算法和方法，如基于卡尔曼滤波的目标跟踪、基于粒子滤波的目标跟踪、基于神经网络的目标跟踪等。
但是，目标跟踪技术还面临着一些挑战和问题，如目标遮挡、光照变化、背景干扰等，这些问题需要进一步的研究和解决。
同时，随着计算机硬件和软件的不断提升，目标跟踪技术也在不断地发展和完善，未来将会有更多的新方法和算法出现，为目标跟踪技术的应用提供更加强大的支持。
2.2 研究面临的难题
目标跟踪的主要方法
3.1 基于检测的方法
3.2 基于识别的方法
基于识别的方法是通过研究目标的特征，如颜色、纹理、形状等，来进行跟踪。
这种方法可以通过对目标的特征进行建模，来实现对目标的跟踪。
常用的识别算法包括支持向量机、神经网络等。
这些算法可以根据目标的特征来进行跟踪，具有很好的鲁棒性和准确性。
但是，由于目标的特征在不同的场景下可能会发生变化，这些算法也需要不断地进行优化和更新。
目标跟踪是视觉领域研究的热点问题，随着计算机技术的发展而得到迅猛的发展。
上世纪80年代HomBK等人提出了光流法，目标跟踪研究才真正意义上步入了动态图像序列的研究领域。
然而，光流法对于现阶段的计算机处理速度提出了极大的挑战，在实际应用领域很难满足实时性的要求。
此外，视
频序列存在的噪声会对光流法跟踪产生极大的干扰，因此光流法现阶段很难应用到实际场合。
《交通场景下的车辆行人多目标检测与跟踪算法研究》篇一一、引言在现代化交通系统中，对于车辆行人多目标检测与跟踪的准确性以及效率，正变得愈发重要。
对于实现自动驾驶、交通流量分析以及事故预防等应用，多目标检测与跟踪技术发挥着至关重要的作用。
本文将深入探讨交通场景下的车辆行人多目标检测与跟踪算法的研究现状、方法和应用。
二、多目标检测与跟踪的背景和意义在复杂的交通场景中，对车辆和行人多目标进行检测和跟踪是计算机视觉领域的重要研究方向。
这种技术能够实时获取交通场景中的动态信息，为自动驾驶、智能交通系统等提供关键数据支持。
同时，通过多目标检测与跟踪技术，我们可以更好地理解交通流动态，预测可能的交通状况，以实现事故预防和交通优化。
三、多目标检测与跟踪算法研究现状目前，多目标检测与跟踪算法主要包括基于深度学习和传统计算机视觉的方法。
其中，基于深度学习的方法在处理复杂交通场景时表现出色。
例如，卷积神经网络（CNN）在特征提取和目标识别方面具有强大的能力，而循环神经网络（RNN）和长短期记忆网络（LSTM）等在序列数据处理中具有优势，可实现目标的持续跟踪。
四、车辆行人多目标检测算法研究车辆行人多目标检测是利用图像处理技术从交通场景中提取出车辆和行人等目标信息的过程。
常见的检测算法包括基于区域的方法、基于特征的方法以及基于深度学习的方法。
其中，基于深度学习的目标检测算法如Faster R-CNN、YOLO等在准确性和实时性方面表现出色。
这些算法能够自动学习目标的特征表示，从而实现对复杂交通场景中车辆和行人的准确检测。
五、车辆行人多目标跟踪算法研究多目标跟踪是在检测到目标的基础上，通过关联分析等方法实现对多个目标的持续跟踪。
常见的多目标跟踪算法包括基于滤波的方法、基于匹配的方法以及基于深度学习的方法。
其中，基于深度学习的方法通过学习目标的时空特征，实现更准确的跟踪。
同时，利用神经网络模型如Siamese网络等可以实现高效的在线学习和跟踪。
第1篇一、引言随着计算机视觉技术的不断发展，目标跟踪在视频监控、智能交通、人机交互等领域发挥着越来越重要的作用。
本文旨在通过实践，对目标跟踪技术进行深入研究和探讨，总结实践经验，为后续研究提供参考。
二、实践背景目标跟踪是指对视频序列中的特定物体进行连续的定位和跟踪。
近年来，随着深度学习技术的发展，基于深度学习的方法在目标跟踪领域取得了显著的成果。
本文将介绍一种基于深度学习的目标跟踪算法，并通过实际案例进行验证。
三、目标跟踪算法介绍本文采用的目标跟踪算法是基于深度学习的Siamese网络。
Siamese网络是一种特殊的卷积神经网络，它通过训练两个相似的神经网络来学习目标特征，从而实现目标匹配和跟踪。
1. 网络结构Siamese网络主要由两个子网络组成：一个是特征提取网络，用于提取目标的特征；另一个是匹配网络，用于比较两个特征向量之间的相似度。
（1）特征提取网络：采用卷积神经网络（CNN）提取目标的特征。
具体来说，使用VGG16网络作为特征提取网络，它由13个卷积层和3个全连接层组成。
（2）匹配网络：采用全连接层比较两个特征向量之间的相似度。
具体来说，使用一个全连接层将两个特征向量拼接，然后通过softmax函数输出相似度。
2. 训练过程（1）数据预处理：将视频帧缩放到统一大小，并裁剪出目标区域。
（2）数据增强：对训练数据进行旋转、缩放、平移等操作，增加数据多样性。
（3）损失函数：采用对比损失函数，鼓励网络学习到相似的特征向量。
（4）优化器：使用Adam优化器进行参数优化。
四、实践过程1. 数据集准备收集了一个包含1000个视频序列的数据集，每个视频序列包含多个目标。
将数据集分为训练集、验证集和测试集。
2. 网络训练使用训练集对Siamese网络进行训练，同时使用验证集调整网络参数。
3. 网络测试使用测试集评估网络的跟踪性能。
五、实验结果与分析1. 实验结果（1）跟踪精度：在测试集上，Siamese网络的跟踪精度达到85%。
《基于深度学习的复杂交通环境下目标跟踪与轨迹预测研究》篇一一、引言随着深度学习技术的飞速发展，其在复杂交通环境下的目标跟踪与轨迹预测研究领域的应用越来越广泛。
本文旨在探讨基于深度学习的目标跟踪与轨迹预测技术，以解决复杂交通环境下的挑战性问题。
首先，我们将对相关研究背景进行介绍，并阐述本文的研究目的和意义。
二、研究背景与意义在复杂交通环境下，如城市道路、高速公路等场景中，车辆、行人等目标的运动状态多变，且存在诸多不确定因素。
因此，对目标进行准确跟踪与轨迹预测对于保障交通安全、提高交通效率具有重要意义。
传统的目标跟踪与轨迹预测方法往往难以应对复杂交通环境中的多种挑战，如遮挡、光照变化、动态背景等。
而深度学习技术为解决这些问题提供了新的思路和方法。
三、深度学习在目标跟踪与轨迹预测中的应用（一）目标跟踪深度学习在目标跟踪方面的应用主要包括基于深度学习的特征提取和跟踪算法的设计。
通过训练深度神经网络，可以提取出目标的特征信息，从而实现对目标的准确跟踪。
此外，结合目标检测技术，可以在复杂交通环境中实时检测并跟踪多个目标。
（二）轨迹预测轨迹预测是通过对历史轨迹数据的分析，预测目标未来的运动轨迹。
深度学习可以通过学习目标的运动规律和交通环境中的交互关系，实现对目标轨迹的准确预测。
同时，结合其他传感器数据，如雷达、摄像头等，可以进一步提高轨迹预测的准确性。
四、方法与技术（一）数据集与预处理为了训练深度学习模型，需要构建一个包含大量交通场景数据的数据集。
通过对数据进行预处理，如去噪、归一化等操作，可以提高模型的训练效果。
（二）模型设计与训练针对目标跟踪与轨迹预测任务，设计合适的深度学习模型。
例如，可以使用卷积神经网络（CNN）进行特征提取，使用循环神经网络（RNN）进行轨迹预测等。
通过大量数据对模型进行训练，使其具备泛化能力。
（三）算法实现与优化将设计好的模型转化为可执行的算法，并在实际交通场景中进行测试。
根据测试结果对算法进行优化，如调整模型参数、改进损失函数等，以提高算法的准确性和鲁棒性。
目标跟踪的研究背景意义方法及现状目标跟踪的研究背景意义方法及现状1目标跟踪的研究背景及意义 (1)1.1电视监控 (2)1.2视频压缩编码 (2)1.3智能交通系统 (2)1.4人机交互 (3)2研究现状及研究面临的问题 (3)2.1研究现状 (3)2.2研究面临的难题 (4)3目标跟踪的主要方法 (4)3.1基于检测的方法 (5)3.2基于识别的方法 (5)1目标跟踪的研究背景及意义感觉是人类与外界联系的窗口和交流的桥梁，它的主要任务是识别周边物体，判断与这些物体之间的联系，使人类的思维与周围世界建立某种对应的关系。
而视觉系统是人类感觉的最主要来源，是获取外界信息的最主要途径，它是一种高清晰度的媒介，为人类提供着丰富的外界资源信息。
据统计，大约有80%的外界信息是通过眼睛被人接收的。
然而，由于人类的精力毕竟是有限的，人类的视野也是有限的，所以人类的视觉在各种领域的应用都受到很大限制甚至是低效的。
因而，随着数字计算机技术的飞速发展，让计算机能够处理视觉信息、完善人类视觉上的诸多短板就成了一项非常诱人的研究课题，也因此推动了计算机视觉这一学科的产生和发展。
计算机视觉是融合了图像处理、计算机图形学、模式识别、人工智能、人工神经网络、计算机、心理学、物理学和数学等领域的一门交叉性很强的学科。
计算机视觉研究的目的是使计算机感知环境中的物体的几何信息，包括它的形状、位置、姿态、运动等，并对其进行描述、存储、识别与理解，因此成为当今最热门的课题之一。
运动目标跟踪属于视频分析的内容，而视频分析则融合了计算机视觉研究领域的中层和高层处理阶段，即对图像序列进行处理，从而研究运动目标的规律，或者为系统的决策报警提供语义和非语义的信息支持，包括运动检测、目标分类、目标跟踪、行为理解、事件检测等。
视频目标跟踪方法的研究和应用作为计算机视觉领域的一个重要分支，正日益广泛地应用到科学技术、国防建设、航空航天、医药卫生以及国民经济的各个领域，因而研究目标跟踪技术有着重大的实用价值和广阔发展前景。
目前，目标跟踪技术已经被广泛应用于众多生活和工作领域。
主要应用如下所示：1.1电视监控在现阶段，电视监控系统作为公共安全领域中的一项重要技术已经得到了广泛的应用。
但是大多数电视监视系统的功能仅仅停留在监控者对视频信号的人工监视和事后录像分析上，浪费了大量的人力物力。
在计算机智能监控系统中，监控系统首先对图像进行预处理去除噪声，然后通过适当的检测算法确定运动目标，继而通过跟踪算法在摄像机视野内跟踪运动目标，同时进行报警以及保存视频数据等一系列工作。
而在这个系统中，其核心部分就是运动目标检测与跟踪算法技术，这个技术是保证整个系统实现其功能的关键。
1.2视频压缩编码在新一代的视频图像压缩编码标准MPEG4中，提出了一个不同于以前的视频编码的新概念—视频对象平面(Video Object Planes，VOP)，以实现基于图像内容的压缩。
在压缩编码过程中，视频中的场景被分割成若干个VOP，不同的VOP 根据其特点采用不同的编码策略，例如，场景中的背景在很多情况下基本上保持不变或只有很少部分的变化，则可以在连续的多帧图像中使用相同的编码或只有很少改动的编码来表示背景，从而大大提高了压缩效率。
这种方案具有很高的压缩比，同时还具有良好的视觉效果，便于进行基于内容的交互和查询。
但是，这一压缩编码的技术难点在于如何在任意场景下实现对运动目标的自动提取与分割，而这些问题也正是目标检测与跟踪所要解决的关键问题。
1.3智能交通系统智能交通系统是目前世界各国交通运输领域竞相研究和开发的热点。
中国在北京申奥成功后，为解决北京市的交通状况，政府也在智能交通的研究上加大了投入力度。
车辆的实时检测与跟踪技术是智能交通系统的重要技术之一，计算机在不需要人的干预或者只需要很少人干预的情况下，通过对摄像机拍录的视频序列进行分析，实现车辆检测与跟踪，并在此基础上分析和判断车辆的行为，对车辆的行为给出语义描述，做到了既能完成日常管理，又能在发生异常情况时及时做出反应，从而提供了一种更加先进和可行的监控方案。
,1.4人机交互目前键盘和鼠标是我们和计算机交互的接口方式，我们希望有更简洁的、智能化和人性化的人机交互方式。
计算机无接触式地收集人类在计算机前的视频信号，利用计算机视觉的相关理论分析视频信号，做到分辨人类的动作，明白人类的意图，即我们希望计算机能尽可能地“理解”我们。
近些年的工作主要集中在姿态分析，面部表情及其它的运动，以便计算机能够识别和理解这些动作。
这也是智能机器人研究的重点。
此外，目标跟踪在基于视觉的控制、农业自动化、医学图像、视觉重构等领域均有应用。
而目标跟踪处于整个计算机视觉系统的底层，是各种后续高级处理如：目标分类、行为理解等的基础，因而目标跟踪具有非常重要的研究价值。
2研究现状及研究面临的问题2.1研究现状目标跟踪是视觉领域研究的热点问题，随着计算机技术的发展而得到迅猛的发展，目标跟踪技术也由此取得了长足的进步。
上世纪对图像的处理主要是集中于单幅图像的处理，即使在动态图像序列中跟踪运动目标，也带有浓厚的静态图像处理的特点。
直到上世纪80年代HomBK等人提出了光流法，目标跟踪研究才真正意义上步入了动态图像序列的研究领域。
光流法对于现阶段的计算机处理速度提出了极大的挑战，在实际应用领域很难满足实时性的要求。
另外，视频序列存在的噪声会对光流法跟踪产生极大的干扰，因此光流法现阶段很难应用到实际场合。
基于视觉跟踪的巨大实用价值和计算机技术的迅速发展，视觉跟踪技术的强烈需求，欧美等发达国家对视频跟踪技术进行了大量深入的研究。
1997年，由美国国防高级研究项目署(Defence Advanced Research projects Agency，DARPA)牵头，以美国卡耐基梅隆大学为首，麻省理工学院等高校参与了视觉监控项目VSAM即(Visual surveillance and Monitorings)的研究开发，研究应用于战场及民用场景的监控，卡内基梅隆大学由此建立了第一个校园监控系统。
在智能监控方面，Maryland大学研发的实时监控系统W4实现了人的跟踪，可用于对人的行为监视，并可以判断人是否携带物体等简单行为。
英国雷丁大学的车辆交通监控系统则是对车辆和行人的跟踪及交互作用识别相关方面的研究。
在国内，视觉跟踪技术自1986年开始立项研究，视觉跟踪领域的理论和技术也有了长足的发展，中国科学院、浙江大学、武汉大学等高校和研究所在目标跟踪、运动行人的检测识别方面取得了一定的成果。
以上介绍的主要是视觉跟踪在民用方面的应用，军事上视觉跟踪同样有着广泛的应用。
现代军事战争中，利用飞机在空中对特定目标进行打击是行之有效的军事手段，Kumar R等人针对Avs(Aerial video surveillance)系统进行了深入的研究，并取得了一定的成果。
Tsao和wen针对军事战场上的敌方运动目标跟踪进行研究，以期在不同的战场环境中，对敌方运动目标进行准确快速的搜索和跟踪，稳定而又可靠的跟踪为军事决策提供了可靠的信息保障。
在视觉跟踪领域的跟踪算法层出不穷，在跟踪效果上都能满足某些应用背景的要求，但缺乏通用性。
1975年Fukunaga等人在一篇关于概率密度梯度函数的估计中首次提出Mean shift(均值偏移)概念，Yizong zheng于1995年在“Mean shift mode seeking and clustering”中拓展了Meanshift的适用范围，研究人员在此基础上对 MeanShift展开了深入的研究。
2.2研究面临的难题虽然用mean-shift算法对目标跟踪有着速度快，具有较强的抗干扰能力，引起国内外的广泛关注。
但是该算法对不同环境、不同运动特性的目标进行跟踪，也会产生一些影响跟踪稳定性的因素。
比如对复杂背景下目标的跟踪，对运动中发生了形变、缩放、遮挡等变化的目标进行长时间跟踪。
针对这些问题，虽然可从以下4个方面进行解决：①合理的目标特征选取机制；②有效的核函数带宽自适应更新机制；③适时的特征模板更新机制；④连续的目标跟踪预测与遮挡检测机制。
然而在很多不同的应用环境下，要做到以上四点并不是件容易的事情，虽然有很多学者针对这些做了很多研究，并在不同程度上解决了上述问题，但要么是算法复杂难以满足实时性，要么就是有许多前提条件，从而使实际的跟踪效果并不理想。
3目标跟踪的主要方法对目标跟踪技术的研究进行了多年，目前己经提出了许多算法。
这些算法有的是通过选取好的跟踪特征来提高目标的搜索匹配速度和匹配的正确程度，比如针对刚性目标与非刚性目标的跟踪、针对提高跟踪匹配的准确性而提出的跟踪算法;有的算法是针对缩小目标搜索范围提出的，这类算法的主要特点是通过某种方法预测目标下一时刻可能出现的位置，通过缩小目标的搜索范围来缩短目标搜索时间。
虽然目标跟踪的方法有很多，但是迄今为止，并没有权威的分类方法，目前的目标跟踪技术大致可以分为基于检测的方法与基于识别的方法。
3.1基于检测的方法基于检测的方法一般是利用目标的特征直接在图像序列中提取目标。
这种方法的主要的思想是:从全局出发，找出目标和背景之间的差别。
其主要优点是只需要突出目标和非目标在不同时域或者空域的差别以及具有检测多个目标的能力。
目标检测方法中应用最广泛的是基于运动分析的方法。
背景的运动相对要更缓慢，因此通过对序列图像的运动分析，检测背景与目标之间具有相对速度的位置来定位目标，可以比较容易分离出目标。
运动分析的方法可以分为三种:基于帧间差分的方法、基于背景差分的方法和基于运动场估计的方法。
3.2基于识别的方法基于识别的方法也称为基于匹配的方法。
这种方法与基于检测的方法不同之处在于，它不要求得到背景(或非目标)部分的描述，不需要描述目标和背景的区别，而仅仅需准确描述目标自身的特征。
按照匹配原理的不同，该方法可以分为区域匹配、模型匹配、频率域匹配和特征匹配。
