运动目标跟踪技术是计算机视觉领域的核心课题之一,具有十分重要的意义和广泛的实用价值。它融合了图像处理、模式识别、人工智能、自动控制以及计算机应用等相关领域的先进技术和研究成果。运动目标跟踪的实质是一种从图像信号中实时自动识别目标,提取目标的位置信息,自动跟踪目标的技术。它的难点在于图像信号采集过程中的信息损失和复杂的应用环境。特别是跟踪过程中的遮挡问题越来越成为限制跟踪算法实用性的关键因素。如何解决运动目标跟踪过程中的遮挡问题是本文的研究重点。本文首先分析了基于平移运动模型的传统相关跟踪算法,从映射函数、模板更新方面提高其精度,从匹配搜索策略方面的改进提高其实时性。然后讨论了基于Hausdorff距离的匹配跟踪算法,并从算法实现的各个步骤着手进一步提高其鲁棒性。本文采用Susan角点检测提取特征点,该方法具有特征点提取准确,简单快捷的优点,适用于高速跟踪算法的底层处理;并对基于Hausdorff距离的匹配策略进行改进,提高其匹配运算的速度。将它与相关跟踪算法进行对比性实验,对实验结果的分析说明基于Hausdorff距离的匹配跟踪算法表现出良好的抗遮挡性能,明显优于基于灰度的相关跟踪算法。但是该算法有一定的适用范围,对于目标面积较小、几何特征不明显、目标灰度与背景灰度相接近的情况下,无法取得计算Hausdorff距离的基础——特征点点集。在这种情况下,需要寻求新的解决方案,本文采取利用kalman滤波器来改善相关跟踪性能的方法来解决这个问题。在系统地研究了kalman滤波器的定义、性质及其在跟踪算法中的应用的基础上,将它在运动目标轨迹估计上的应用推广到模板更新上,提出一种新的模板更新策略,给出具体实现方案。设计了一种抗遮挡的基于kalman滤波器的运动目标跟踪算法,实验证明该算法具有良好的鲁棒性,并且相对于基于Hausdorff距离的跟踪算法具有更广泛的使用范围。