下载文档原格式
视频目标跟踪算法综述目标跟踪算法可以分为两类：基于模型的跟踪和基于特征的跟踪。
基于模型的跟踪算法通常通过建立目标的动态模型来预测目标的位置，而基于特征的跟踪算法则通过提取目标的特征信息来跟踪目标。
基于模型的跟踪算法中，最常见且经典的算法是卡尔曼滤波器算法。
该算法通过对目标位置进行状态预测，并融合传感器测量数据来更新目标的状态估计。
卡尔曼滤波器算法在目标运动较稳定且传感器测量误差较小的情况下表现良好，但在目标运动不规律或传感器测量误差较大的情况下容易出现跟踪丢失的问题。
基于特征的跟踪算法则通过提取目标的外观特征信息来跟踪目标。
常见的特征包括颜色、纹理、形状等。
其中，颜色特征是最常用的特征之一，因为它对光照变化具有一定的鲁棒性。
常见的颜色特征提取算法有颜色直方图、颜色模型等。
此外，还有一些基于纹理的特征提取算法，如Gabor滤波器、局部二值模式（LBP）等。
除了上述传统的目标跟踪算法，近年来深度学习技术的发展为目标跟踪带来了新的突破。
通过使用深度神经网络进行特征提取和目标分类，深度学习方法在目标跟踪任务上取得了很好的效果。
其中，基于卷积神经网络（CNN）的跟踪算法在目标检测和特征提取方面表现出色。
基于深度学习的目标跟踪算法通常采用两种方式进行训练：有监督学习和无监督学习。
有监督学习通过标注好的训练数据进行模型训练，而无监督学习则通过对未标注的视频序列进行训练。
近年来，基于深度学习的目标跟踪算法取得了显著的进展，并在各种跟踪性能评估指标上取得了优秀的结果。
然而，由于深度学习方法通常需要大量的数据和计算资源进行训练，因此在一些实际应用中仍然存在一定的局限性。
综上所述，视频目标跟踪是计算机视觉中的一个重要研究方向。
传统的基于模型和基于特征的跟踪算法以及近年来兴起的基于深度学习的跟踪算法为视频目标跟踪提供了不同的解决方案。
未来随着技术的不断进步，视频目标跟踪算法将不断发展，并在各种实际场景中得到更广泛的应用。
全景视频中多运动对象检测与跟踪方法1 引言如今，全景视频的应用越来越广泛，例如在电影、摄影、虚拟现实等领域。
然而，由于全景视频中包含大量的运动对象，准确地检测和跟踪这些对象变得尤为重要。
因此，如何有效地实现全景视频中多运动对象的检测和跟踪成为了一个热门的探究课题。
2 全景视频中多运动对象检测2.1 基于挪动物体领域的方法在全景视频中，挪动物体的检测是一种常见的方式。
这种方法通常通过比较挪动物体与背景之间的差异来实现。
详尽步骤如下：起首，利用运动预估算法获得运动物体的候选区域。
然后，利用目标检测算法从候选区域中进一步筛选出真正的运动物体。
最后，利用跟踪算法来持续跟踪被检测到的运动物体。
2.2 基于深度进修的方法深度进修在目标检测领域取得了显著的冲破，然而在全景视频中检测多个运动对象依旧是一个具有挑战性的任务。
为了解决这个问题，探究人员提出了一些基于深度进修的方法。
这些方法利用卷积神经网络（Convolutional Neural Network，CNN）等深度进修模型，通过对全景视频进行端到端的进修，直接猜测出每个像素的物体类别和位置。
3 全景视频中多运动对象跟踪3.1 基于目标追踪的方法在全景视频中，跟踪多个运动对象是一项具有挑战性的任务。
传统的目标追踪算法通常使用基于特征点的方法来跟踪运动对象。
然而，这些方法在跟踪过程中容易受到遮挡和运动模糊等问题的干扰。
最近，探究人员提出了一些新的目标追踪算法，如分割与跟踪结合的方法、卷积神经网络与循环神经网络相结合的方法等，这些方法有效地解决了上述问题。
3.2 基于视觉里程计的方法视觉里程计是指通过分析连续的图像序列来预估相机的运动轨迹。
在全景视频中，基于视觉里程计的方法可用于跟踪多个运动对象。
这种方法利用全景图像序列之间的几何干系来推断相机的运动轨迹，并依据相机的运动来预估运动物体的运动轨迹。
然后，通过匹配物体的特征点来进一步精确地预估运动物体的位置。
4 试验结果与谈论在本节中，我们将对上述提到的进行试验评估，并对试验结果进行谈论。
基于全景摄像机的运动目标智能追踪系统及方法摘要：随着计算机视觉技术的不断发展，基于全景摄像机的运动目标智能追踪系统已成为当前研究和开发的热点之一。
本文介绍了一种基于全景摄像机的运动目标智能追踪系统及方法。
该系统通过全景摄像机采集的广角图像数据，结合目标检测和跟踪算法，实现对运动目标的准确追踪和位置定位。
经过实验证明，该系统在追踪效果和计算效率方面表现出色，具有广阔的应用前景。
1. 引言随着全景摄像技术的成熟和应用扩展，全景摄像机在安防监控、智能家居和虚拟现实等领域发挥着重要作用。
传统的摄像头只能提供有限的视野范围，无法实时捕捉到全景场景。
而全景摄像机则能够通过广角镜头提供全景视野，从而更全面地监控和观测目标区域。
然而，传统的全景摄像机只能提供全景图像，对于运动目标的准确定位和追踪仍然存在一定挑战。
因此，开发一套基于全景摄像机的运动目标智能追踪系统具有重要的实际意义和应用价值。
2. 系统设计基于全景摄像机的运动目标智能追踪系统主要由全景摄像机硬件、图像处理模块和目标追踪算法组成。
全景摄像机硬件负责采集和传输全景图像数据，图像处理模块对全景图像进行预处理和特征提取，目标追踪算法通过实时检测和跟踪目标实现智能追踪。
3. 图像处理模块图像处理模块是基于全景图像数据进行预处理和特征提取的关键组成部分。
首先，对全景图像进行校正和去畸变处理，纠正图像中的畸变和缩放。
然后，采用图像分割和目标提取算法，将目标从背景中分离出来。
接着，通过图像特征描述子提取目标的特征，例如颜色、纹理和形状等。
最后，利用机器学习算法训练目标的模型，实现目标的分类和识别。
4. 目标追踪算法目标追踪算法是基于全景摄像机的运动目标智能追踪系统的核心部分。
常用的目标追踪算法包括基于颜色直方图的模板匹配算法、基于机器学习的目标跟踪算法以及基于深度学习的目标追踪算法。
这些算法通过对运动目标的运动轨迹、外观特征和目标模型进行建模和预测，实现对运动目标的持续追踪和位置定位。
基于全景摄像头的多目标跟踪算法研究近年来，随着智能化的不断升级，全景摄像头被广泛应用于公共场所监控、智能家居、虚拟现实等领域。
随着应用场景的增多，人们对于全景摄像头的要求也越来越高，如何有效利用全景摄像头的视角信息，实现多目标跟踪，成为了摄像头智能化的重要研究方向。
在现有跟踪算法中，基于传统视频监控的目标跟踪算法主要利用视频的时空信息，但对于全景摄像头这种具有广角和鱼眼镜头的摄像头，传统跟踪算法无法发挥其特点。
针对这类问题，一些国内外的研究者陆续提出了基于全景摄像头的多目标跟踪算法。
首先，对于全景摄像头的图像特点，大多数研究者采用了图像拼接技术，将全景图像转化为正常的大镜头图像，在此基础上进行目标跟踪。
但问题在于，图像拼接存在一定的影响和误差，导致无法完全还原全景图像，影响跟踪的准确性。
因此，另一些学者提出了基于全景摄像头的鱼眼图像模型，并依据该模型设计了相应的跟踪算法。
通过对全景图像进行特殊处理，可以将图像转化为传统摄像头的图像，从而实现目标的跟踪。
相较于图像拼接方法，基于鱼眼图像的方法不仅能够更好地还原全景图像，同时能够减少图像失真，提高跟踪的准确性。
除此之外，一些研究者在全景摄像头的多目标跟踪过程中，采用了深度学习技术，如卷积神经网络和循环神经网络等。
通过训练神经网络，使其能够根据图像中监控区域的特征，自主学习目标的特征和运动规律，从而提高跟踪的精确度和速度。
此外，还有学者将全景摄像头与激光雷达相结合，利用激光雷达的深度信息，对目标进行跟踪和识别。
通过激光雷达的测量，可以得到目标在空间中的三维位置和姿态信息，从而准确地进行跟踪和识别。
总的来说，基于全景摄像头的多目标跟踪算法研究才刚刚开始。
如何利用图像处理和深度学习等技术，进一步提高算法的准确性和鲁棒性，仍是未来需要进一步研究的问题。
同时，如何同时实现多目标跟踪和目标检测等功能，也是下一步需要努力的方向。
相信未来会有更多的研究者加入进来，为全景摄像头的应用提供更加优秀的解决方案。
基于全景视觉的目标识别与跟踪作者：赵继伟来源：《数字技术与应用》2013年第05期摘要：论文主要研究了一种结合RANSAC的SIFT的全景视觉目标识别算法和基于颜色直方图的粒子滤波的全景视觉目标跟踪算法。
首先是确定跟踪的目标，利用全景相机采集得到的第一帧图像，与之前确定的目标图像进行SIFT特征匹配，识别出目标以后，可以得出目标在图像中的坐标位置，确定目标在图像中的范围，然后对识别出的目标利用基于颜色特征的粒子滤波算法进行跟踪。
经过试验表明，此算法可以应用到全景视觉的目标识别与跟踪。
关键词：全景视觉目标识别跟踪 RANSAC SIFT 粒子滤波中图分类号：TP391.41 文献标识码：A 文章编号：1007-9416（2013）05-0062-03引言目标识别与跟踪在视频监控，人机交互，智能机器人领域有广泛的应用。
实现目标识别与跟踪的算法很多，主要有基于颜色形状等信息结合CamShift的目标识别跟踪算法，基于帧差法和MeanShift的目标识别跟踪算法，另外以上的识别跟踪算法与Kalman算法的结合也是这个领域常用的方法。
但是以上的诸多算法都存在不少的缺点：诸如目标识别不准确，容易受到外界干扰，而且应用Kalman滤波算法只能处理线性问题。
近年来，尺度不变特征转换（SIFT）作为一种对尺度、旋转、模糊以及光照等变化均比较鲁棒的图像局部特征越来越受到人们的重视，同时基于贝叶斯理论的粒子滤波算法也受到了关注，它是一种适用于非线性，非高斯系统的基于模拟的统计滤波器，可以近似得到任意函数的数学期望。
主要利用一定数量的随机样本来表示系统随机变量的后验概率分布，由于粒子滤波采用一组加权样本集合来表达系统的统计特征，因此是解决非线性问题的有效算法。
在采用粒子滤波实现目标跟踪时，由于这些随机样本有效的表达了跟踪的不确定性，从而保证跟踪的鲁棒性。
本文是在全景视觉基础上，研究一种基于SIFT和粒子滤波相结合的目标识别与跟踪系统，并且加以实验验证。
基于深度学习的视频目标识别与跟踪算法研究现状与应用展望深度学习作为一种强大的机器学习技术，已经在多个领域展现出了惊人的效果和潜力。
其中，基于深度学习的视频目标识别与跟踪算法在计算机视觉领域引起了广泛的关注和研究。
本文将探讨该领域的现状以及未来的应用展望。
一、深度学习在视频目标识别与跟踪中的应用深度学习在视频目标识别与跟踪中的应用主要分为两个阶段：目标检测和目标跟踪。
目标检测是指在给定视频中确定目标的位置和类别，而目标跟踪则是追踪目标在视频中的运动轨迹。
1. 目标检测目标检测是视频目标识别与跟踪的第一步，也是最关键的一步。
传统的目标检测算法通常是基于手工设计的特征和分类器，如Haar特征和SVM分类器。
然而，这些方法在面对复杂的场景和变化的目标时存在一定的局限性。
深度学习通过引入卷积神经网络（CNN）极大地改变了目标检测的局面。
CNN可以自动学习到丰富的特征表示，并在图像中准确地定位和识别目标。
目前，基于深度学习的目标检测算法主要包括两类：两阶段方法和单阶段方法。
两阶段方法如R-CNN、Fast R-CNN和Faster R-CNN等，先通过候选框生成候选目标，然后再对候选目标进行分类和位置回归。
这类方法在准确性上取得了很大的突破，但速度较慢。
单阶段方法如YOLO和SSD等，通过将目标检测任务转化为密集回归问题，在一个完整的网络中同时完成了候选框生成和目标分类。
这类方法速度较快，但准确性稍低。
未来的研究方向可能是在速度和准确性之间寻求更好的平衡。
2. 目标跟踪目标跟踪是在视频中实时追踪目标位置的过程。
传统的目标跟踪算法通常基于手工设计的特征和目标模型，如颜色直方图、HoG特征和卡尔曼滤波器等。
这些方法在目标外观变化剧烈、目标遮挡和复杂背景等情况下容易失效。
基于深度学习的目标跟踪方法通过将目标视为一个整体，学习到目标的特征表示和运动信息。
这类方法通常是通过在线学习的方式进行目标模板的更新，以适应目标在视频中不断变化的外观和位置。
专利名称：一种基于全景视频的图文跟随合成方法专利类型：发明专利
发明人：王存宇,唐兴波,陈忠会,李刚
申请号：CN201711446449.0
申请日：20171227
公开号：CN109982005A
公开日：
20190705
专利内容由知识产权出版社提供
摘要：本发明公开了一种基于全景视频的图文跟随合成方法，该方法包括：实际参数获取，测量和记录全景视频录制场景中的灯光、布景以及摄像机运动等实际参数；视频分析及参数获取，对全景视频进行分析并获取分析参数；三维场景还原，根据所述实际参数和所述分析参数，将全景视频还原到三维场景；添加图文和三维素材，在还原的所述三维场景中叠加图文和三维素材；渲染并生成新的全景视频。
申请人：艾迪普(北京)文化科技股份有限公司
地址：100101 北京市朝阳区安慧里三区10号楼1幢二层
国籍：CN
更多信息请下载全文后查看。
专利名称：一种基于全景视角检测跟踪的轨迹预测方法及系统专利类型：发明专利
发明人：张旻晋,许达文
申请号：CN202110175289.0
申请日：20210209
公开号：CN112785628A
公开日：
20210511
专利内容由知识产权出版社提供
摘要：本发明公开的一种基于全景视角检测跟踪的轨迹预测方法及系统，对不同视角的多个视频信息的当前帧图像信息处理获得当前帧图像信息的特征向量、目标对象的位置；结合历史帧图像信息的目标边界框操作结果和目标对象的位置获得轨迹预测特征；基于轨迹预测特征进行轨迹预测计算得到下一帧目标对象的轨迹；从全景视角下采集目标对象的视频信息，并对各视角的视频信息进行多目标检测和追踪，最后预测出下一帧目标对象的轨迹，经过对多个连续帧的处理与预测得到目标对象的完整轨迹；实现在同一时刻同时掌握各个方位上的目标状态，同时对目标状态进行空间上的轨迹预测，以满足需要对周围环境进行实时监控预测的应用场景。
申请人：成都视海芯图微电子有限公司
地址：610000 四川省成都市中国(四川)自由贸易试验区成都高新区世纪城南路599号6栋5层505号
国籍：CN
代理机构：成都行之专利代理事务所(普通合伙)
代理人：张超
更多信息请下载全文后查看。
智能全景视觉传感网络视频多目标跟踪仿真智能全景视觉传感网络视频多目标跟踪仿真摘要：随着科技的飞速发展，我们正处在一个数字化与智能化的时代。
对于视频监控系统而言，多目标跟踪一直是一个重要的挑战。
本文提出了一种智能全景视觉传感网络视频多目标跟踪仿真方法，旨在提高视频监控系统中目标跟踪的准确性和效率。
1. 引言随着城市化的加速推进，各类公共场所的安防需求逐渐增加。
而视频监控系统作为一种有效的安防手段之一，其技术水平和应用场景也在不断提升和扩展。
多目标跟踪作为视频监控系统的核心功能之一，不仅要求准确跟踪目标的位置、速度等信息，还要满足复杂环境下的实时性与可靠性要求。
当前，各种智能传感器和网络设备的快速发展，为多目标跟踪技术的提高提供了新的机遇和挑战。
2. 相关技术（1）传感网络：传感网络是指由大量可自主通信的传感节点组成的网络系统。
传感节点一般都搭载有各种传感器，用于感知周围环境的信息并传输到中心节点进行处理和决策。
传感网络技术的发展为视频监控系统的智能化提供了重要支持。
（2）全景视觉传感：全景视觉传感技术通过多个相机的组合或者特殊镜头的设计，可以实现对更大范围的场景的观测和感知。
该技术可以提供更加全面、细致的环境信息，为多目标跟踪算法的设计和优化提供更多数据支持。
3. 系统架构设计本文提出的智能全景视觉传感网络视频多目标跟踪仿真系统架构由以下几个模块组成：（1）传感节点：每个传感节点负责感知周围环境的信息，并通过无线通信将数据传输到中心节点。
传感节点包括多个全景相机和其他传感器。
（2）中心节点：中心节点负责接收传感节点发送的数据，并进行数据融合和处理。
中心节点包括目标检测、目标跟踪、数据分析等子模块。
（3）目标检测：目标检测模块使用机器学习算法和图像处理技术，对传感节点传输的图像数据进行目标检测和识别。
（4）目标跟踪：目标跟踪模块根据目标检测的结果，使用轨迹预测算法和滤波算法，对目标进行跟踪和预测。
同时，结合传感节点的位置信息和速度信息，进行多目标跟踪。
基于全景视频中两种跟踪算法的实现阅读报告姓名：马焕学号：152030022摘要：目标跟踪是计算机视觉研究中的经典问题，是指计算机或其他设备根据某种算法对目标进行跟踪和定位，并根据目标的位置和动向采取相应的策略。
近些年来，目标跟踪被广泛应用于视频监控、视频编码以及军事工程等各种领域。
本文的主要研究对象是基于Meanshift以及粒子滤波的目标跟踪算法。
Meanshift算法是一种基于特征概率密度统计的建模方法。
在跟踪过程中，目标区域通常由用户在视频序列中选定，并建立相应的目标直方图，经过反向投影后，Meanshift算法在后续帧中迭代地移动到目标的质心上，从而达到跟踪的目的。
粒子滤波算法是基于蒙特卡罗仿真的近似贝叶斯滤波算法，对目标状态进行采样，计算样本的权值，最后用样本的加权来表示目标状态的估计值。
本文选用相同视频分别对两种算法的跟踪性能进行了理论分析和实验比对，发现Meanshift算法实时性较好，但是在复杂场景中容易丢失目标，而粒子滤波算法在初始选择框比较大时实时性较差，但是在复杂背景下跟踪效果较好，对背景变化不敏感。
关键词：目标跟踪，Meanshift，粒子滤波Two tracking algorithms’achievementbased on panoramic videoAbstract：Target tracking is a classic problem of computer vision study，it refers toa computer or other equipment uses an algorithm for target tracking andlocating，and take the appropriate strategy ba sed on the target’s locationand movements.Recent years, target tracking is widely used in videosurveillance，video encoding, and a variety of areas such as militaryengineering.The main object of this study is two targets trackingalgorithms based on Meanshift and particle filtering.Meanshift algorithmis a modeling approach based on probability density statistic. In thetracking process, the target area is usually selected by the user in a videosequence，and establish the appropriate target histogram.Mean Shiftalgorithm move to the target centroid iteratively in subsequent frames toachieve the goal of tracking.particle filtering algorithm is a Bayesianfiltering algorithm based on Monte Carlo simulation.sampling the targetstate, calculating the sam ple’s weights, finally using the weights toestimate the target’s state.This study uses the same video to test the tracking performance of thetwo algorithms,The result is the Meanshift algorithm with good real-timeperformance, but easy to lose the target in complex scenes,and theparticle filter algorithm get the poor real-time performance when theinitial selection box is large, but the tracking effect of complexbackground is good, and it’s not sensitive to the change of background. Key words:Object Tracking; Meanshift; Particle Filter1 绪论1.1 课题研究背景及意义目标跟踪就是利用图像处理、模式识别的方法发现视频序列中与指定目标图像最相似的部分。
目标跟踪是许多计算机视觉应用的关键技术，如视频监控，感知用户界面和基于对象的视频压缩。
在这些应用中，由于在图像平面中旋转，缩放和闭塞的背景通常很难追踪移动的物体，跟踪算法应适应对象的复杂变化和背景，以及较少的计算。
在复杂的环境中对对象进行高效率和高强度的跟踪是计算机视觉领域一个具有挑战性的问题[1]。
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：1.电视监控在当前阶段，作为公共安全领域下的一种关键技术，电视监控系统已经得到了较为广泛的推广。
然而许多电视监控系统的功能只是停留在使用者对视频信号的人工检测以及事后的录像分析上面，浪费了很多的人力和物力。
在计算机自动监控系统中，监控系统首先需要对图像进行去噪的预处理，接着使用合适的检测算法确定目标，然后通过适当的跟踪算法在摄像机视野内跟踪这个确定的目标，同时也进行警戒报警以及保存证据等一系列操作。
在此监控系统中，关键问题就是运动目标的检测以及跟踪算法的选择，这个问题是保证整个系统正常运行的前提[2]。
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。
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。
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[3]。
随着科技的发展和社会的进步，人们对信息的需求越来越多，要求也越来越高。
据统计，普通人所感受的外界信息80％以上来自视觉。
普通人双眼正常有效视角大约为水平90度、垂直70度，而全景技术则可以同时显示比人眼视角范围大得多的场景，因此，能提供更丰富的信息及感官刺激，具有普通视图所无法比拟的研究和应用价值。
全景作为一种方兴未艾的技术，能扩大视角、在同一时刻显示大范围场景信息，在卫星航拍、视频会议、场景监控、交通导航、虚拟现实、摄影等多种科研、商业及艺术领域具有广泛的应用前景。
目前，对于静态全景图像，除少数应用中采用超广角镜头或鱼眼镜头直接拍摄外，主要采用图像拼接及融合等软件算法来实现。
对于动态视频，则主要依靠特殊的硬件系统：一种方案是采用快球系统，另一种方案是采用配有全景镜头的专业摄像系统。
1.2 国内外研究现状目标跟踪问题是随着计算机技术的发展而逐渐成为研究热点的。
二十世纪80年代以前，由于计算机技术的限制，对图像的处理与分析主要以静态图像为主，在动态图像序列的分析中，对运动目标的跟踪带有很强的静态图像分析的特点。
二十世纪80年代初光流法(Optical Flow)被提出之后，动态图像序列分析进入了—个研究的高潮，其中对光流法的研究热潮从其产生一直持续到了二十世纪90年代中期[4]。
但是，即使在现阶段，光流法所需的运算量对计算机而言也是很大的，很难满足实时性要求，同时由于采用假设的局限性使得光流法对噪声特别敏感，很容易产生错误的结果，这些缺点造成光流法与实际使用之间还存在着很大的距离。
从二十世纪80年代之后，还出现了其他众多的目标跟踪算法。
例如：1998年，Michael Isare和Andrew Black提出的Condensation算法，首次将粒子滤波的思想应用到视频序列目标跟踪当中；2003年Comaniciu等提出的Meanshift跟踪框架，理论严谨，计算复杂度低，因此成为目标跟踪算法的研究热点。
就研究现状来看，国外对基于视频的目标检测与跟踪的理论研究及应用研究起步较早，尤其在美国、英国等国家已经开展了大量相关项目的研究，并取得了一定的成果。
1997年美国国防高级研究项目署设立了以卡内基梅隆大学为首、麻省理工学院等高校参与的视频监控重大项目VSAM(Visual Surveillance and Monitoring)，VSAM的目标是为未来城市和市场监控应用开发一种自动视频理解技术，用于实现未来战争只能够人力监控，费用昂贵，非常危险或者人力无法实现等场合下的监控。
