静态背景：只动目标
动态背景：动目标和camera；复杂相对运动
静态背景：
1.背景差分：先获得背景后根据差值取阈得图像（背景影响较大）
背景获得：（1）时间平均
（2）参数建模
阴影消除：色度值代替亮度值；
2.帧间差分：相邻两幅图差值进行计算获得运动物体位置与形状（部分信息，不适用于运动缓慢物体）
3.光流法：带有灰度的像素点在图像平面上运动产生的瞬时速度场（最复杂，不适于实时估计，抗噪性差）
动态背景：
基于块的运动估计与补偿：假定同一图像块上运动矢量相同，通过像素域搜索得到最佳运动
矢量估算。

关键技术：（1）匹配法则：最大相关，最小误差
（2）搜索方法：三步搜索，交叉搜索
（3）块大小确定：分级，自适应
Tracking：通过目标有效表达寻找最佳相似目标。

目标特征：（1）视觉特征：边缘，轮廓，形状，纹理，区域
（2）统计特征：直方图，各种矩特征
（3）变化系数特征：傅里叶描绘子，自回归模型
（4）代数特征：图像矩阵的奇异值分解
相似度度量算法（匹配法则）：欧氏距离，街区距离，棋盘距离，加权距离，巴特查理亚系
数，Hausdorff距离。

（欧氏距离最简单）
搜索算法：预测下一帧物体可能存在的位置。

kalman滤波，扩展的Kalman滤波，粒子滤波。

Kalman算法：线性最小方差估计。

通过状态方程和观测方程来预估。

无偏，稳定，最优。

粒子滤波算法：非线性，非高斯系统。

递归方式进行处理，节省空间，有较好鲁棒性。

均值漂移算法（Meanshift）：梯度优化，非刚性目标，非线性运动目标，变形，旋转均可。

连续自适应均值漂移算法（Camshift）：基于Meanshift，结合色彩信息。

可有效解决变形
和遮挡问题。

分类：（1）基于主动轮廓追踪（Snake模型）：定义可变形Snake曲线，通过对其能量函数最小化，使其轮廓逐渐变成与目标轮廓一致。

跟踪可靠性增加，但计算量较大，并
且对快速运动或形变较大物体跟踪情况不理想。

（2）基于特征的跟踪：
特征提取：特征：有直观意义，有分类意义，计算相对简单，有图像平
移旋转尺度变换等不变性。

主要有颜色，纹理边缘，
块特征，光流特征，周长面积，质心，角点。

特征匹配：基于二值化、边缘特征、角点特征、灰度、颜色特征匹配。

对尺度、形变、亮度变化不敏感。

只要有一部分特征能被提
取就可以。

但对噪声敏感，连续帧间关系难以确定。

（3）基于区域的追踪：得到人为或图像分割的矩形或不规则图形模版，再用算法跟
踪目标。

费时，未被遮挡时精度很高，目标变形或有遮挡精
度下降。

（4）基于模型的追踪：通过先验知识建立模型，然后追踪，适用于刚体。

不易受观
测视角影响，有较强鲁棒性，抗干扰能力较强，计算复杂，实时性较差。