目标跟踪，就是在视频或图像序列中通过相邻帧之间的关系定位目标所在的位置。目标跟踪算法[5]大致可以分为基于特征、基于核跟踪、贝叶斯跟踪以及基于检测的算法。
(1)    基于特征的算法
特征是目标区别于其他事物的属性。基于特征的目标跟踪算法通过将视频图像中元素提取、量化为特征，在视频图像间匹配这些特征，来实现对目标的跟踪。根据视频图像性质的不同，特征具有多种形式。25723
点特征是匹配算法中一种很常用的特征，常见的点特征的提取算法有Harris角点、SIFT（Scale-invariant feature transform）算法等。Harris角点是一种简单的点特征提取算子，提取的特征合理且稳定，但是不具有尺度不变性。SIFT算法是目前计算机视觉领域中应用最广泛的点特征。SIFT算法不仅稳定，还具有尺度不变性和旋转不变性。在发生了平移、旋转、仿射变换的情况下，SIFT算法仍然可以得到很好的匹配效果，具有很强的匹配能力。论文网
颜色特征是基于像素点的一种全局特征，可以增强辨别能力，如颜色直方图。颜色直方图能描述不同色彩在视频图像中所占的比例。用颜色直方图表示目标外观简单有效，但是不包含空间信息，因此经常与其他特征一起表示目标，来改善跟踪的性能。
边缘特征经常被用到跟踪系统中。很多有效的边缘检测算法已被提出，如canny算子等。计算机视觉中，Canny边缘检测是最常见的。Canny算子是基于梯度的边缘检测，利用梯度的幅值和方向识别出最有可能是边缘的像素点。边缘特征，与颜色特征相比，对光照变化不敏感。
纹理特征描述了图像或图像中小区域的表面性质，但不能反应物体的本质属性，即无法利用纹理特征获得更高层次的图像信息。LBP（Local Binary Pattern）算子是其中一种有效的纹理特征提取方法，且得到了很多种改进方法。改进后的LBP算子如LBPROT、Uniform LBP具有旋转不变性。
基于区域的特征也是目前比较流行的特征描述方式，比如HOG（Histogram of Oriented Gradient）特征。HOG特征结合SVM分类器的算法已经被广泛运用于图像工程。HOG的核心思想是所检测的局部目标形状能够被梯度或边缘的方向密度分布很好的描述。与颜色直方图相比，HOG减少了对光照的敏感度。然而，当背景比较复杂时，可能对目标模型产生影响。
（2）基于核跟踪的算法
核跟踪通常选择目标区域中的像素信息，如mean shift算法中使用的颜色直方图，作为目标跟踪过程中的核。当目标的核在连续的图像帧之间移动时，跟踪核所在的位置就可以确定目标所在的位置。一种核跟踪算法通过建立目标外观模型，利用其密度分布对目标模型进行更新，如CamShift算法。这种算法建模较简单，时间复杂度也较小。另外一种核跟踪算法使用包含大量信息但表示较弱的特征作为目标的核，比如HOG等特征，然后利用训练的分类器区分核，达到跟踪的目的。
（3）贝叶斯跟踪算法
视频或图像序列中的目标跟踪可通过随机过程来描述。当状态分布为高斯模型时，可以采用卡尔曼滤波器或者扩展卡尔曼滤波器寻求最优解。卡尔曼滤波器由预测和更新这两部分组成。预测，即利用状态模型预测变量的新状态。更新，则是利用观测值更新目标的状态。
然而，实际情况下的跟踪问题一般都是非线性或者非高斯的，这种问题可以用粒子滤波器解决。粒子滤波器的核心思想是用加权的随机采样来表示后验概率函数。粒子滤波器同样具有预测和更新这两个过程。与有卡尔曼滤波器相比，粒子滤波器没有仅仅局限于高斯模型，但是具有粒子退化这个主要缺陷粒子滤波器的复杂度和精度只与粒子的数量有关，而与空间的文度无关。所以，文度上增加并不会导致算法复杂度的增加。因此，如何有效的减少退化现象以及粒子数量是该算法的研究重点。 国内外目标跟踪研究现状:http://www.youerw.com/yanjiu/lunwen_19635.html