运动物体的视觉分析是计算机视觉研究领域的重要课题之一,近年来,随着视频影像应用领域日益广泛,这方面的研究倍受关注。运动物体视觉分析的主要目的是从一组包含运动物体的图像序列中检测、识别、跟踪运动目标,并对其行为进行理解和描述。其中,运动检测和运动跟踪等属于底层视觉问题,而行为的理解和描述等属于高层视觉问题。本文是针对视频序列分析中的运动物体检测和运动跟踪等底层视觉问题而提出,主要研究如何在视频序列中定位感兴趣的运动物体,并在后续帧中持续跟踪该物体的轮廓,从而分析其运动方式与轨迹。具体地说,首先在某个视频序列的第一帧中采用基于GVF(Gradient Vector Flow)的Snake模型提取运动物体的初始轮廓,然后在后续帧中以该轮廓为模板进行目标匹配,匹配方法采用基于概率论中最大似然准则的Hausdorff距离进行,该方法以统计学中的似然度代替传统的Hausdorff距离特征点的距离做为测度,并采用一种基于多分辨率的仿射空间搜索算法寻找最优解。本文工作的主要内容和创新在于:1.利用一种不同于通常的Hausdorff距离方法利用目标模板和特征图像点间距离作为测度,而是采用概率论似然度作为测度,该方法匹配精度更高,而且能够利用特征点的统计信息及先验知识。2.利用多分辨率搜索算法快速找出最优解,它的优点在于可以在快速找出不符合要求的待选位置并排除,提高了整个系统的执行效率。实验结果表明该算法在保证搜索精度的前提下,可以有效地减少搜索时间。