（1） 基于特征匹配的目标跟踪
基于特征匹配的跟踪方法的基本思路是：提取运动目标的子特征，如目标的边缘、轮廓、角点等，将这些特征作为目标的描述因子，并在连续帧中匹配以实现跟踪。由于运动目标的子特征分布在整个目标区域中，当目标出现部分遮挡时，该方法仍然能够检测到未被遮挡的部分，所以该方法对有遮挡的目标跟踪效果较稳定。该方法的缺点是如果要使跟踪有很高的有效性，就可能需要采用较多的特征，但是特征过多的话，算法的复杂度就提高了，效率将降低，还有可能会出错。如果采用的特征太少，可能不足以跟踪到运动目标。因此由于线和 区域等特征的跟踪比较复杂和难以确定唯一的特征集等原因，就必须在跟踪的复杂性和有效性之间进行折中。 基于特征匹配的目标跟踪方法包括特征提取和特征匹配两部分。特征提取是指在图像处理过程中提取运动目标的一些特征，比如纹理、颜色和形状等。特征匹配是指将当前帧中提取出的特征和上一帧的特征按照某种规则进行比较，满足规则要求的两个特征形成匹配。该方法[42]主要适用于视频序列之间的时间间隔比较小，而且运动目标在短时间内的特征不会发 生很大变化的情况。
（2）基于区域的目标跟踪
基于区域的目标跟踪方法的基本思路是：将运动目标划分成几个子区域，对各区域进行描述并做相邻帧间匹配，组合各子区域的跟踪结果从而得到整个运动目标的跟踪结果。如 W ren 等人利用该方法做单个行人的跟踪[43]时，将行人划分成头、躯干和四肢等子区域。该方
法在有阴影、遮挡情况时，跟踪效果差。优点是容易实现。国外的研究者运用运动目标的阴影区域缺乏纹理和彩色信息的性质可以很好的解决上述的问题。
（3）基于模板的跟踪
传统的人体模型有三种：线图法、二维轮廓和立体模型，这三种模型的复杂度依次增加，但跟踪的效果是越来越好。基于模板的跟踪就是先为人体训练并建立模型库，在对当前帧中的目标做模型库的匹配，以实现跟踪。
（4）基于动态边界的跟踪
动态边界模型也叫做 snake ，能够表示不断变化的运动人体的边界。该方法的思想是利用封闭的活动曲线轮廓并且能够自适应更新来表示运动目标。动态的边界能够手动或者自动设置，因此和用户交互性较强，且该方法计算量小、灵活性强，缺点是对初始化边界有独立性和准确度的要求。
在目标跟踪过程中，研究和选择合适的特征是成功的关键，运动目标的特征模型的自适应选择，直接影响了跟踪算法的稳定性和可靠性。然而，特征模型的选择和运动目标的表现方法直接有关。例如，颜色特征是外观表现的一个基本特征，一般是基于直方图表示，这也是基于轮廓表现的一个基本特征模型，运动目标的边缘也常被用于跟踪技术中。也有许多跟踪算法是使用多特征融合的模型，
例如本文介绍的融合形状和颜色特征的Meanshitt 算法等，下面着重介绍几种常见的特征模型。
l 、形状特征
运动目标的边缘常常被作为典型的特征被用于跟踪算法中，一般有两类表现方法，轮廓特征和区域特征。轮廓特征主要表现在运动目标的外围边界，区域特征主要表现在整个区域。比较常见的若干种典型的形状特征描述方法有傅里叶形状描述符，形状不变矩法，几何参数法，Hough 变换，还有其他一些比如旋转函数(Turning Function) 、有限元法(Finite Element Method)、小波描述符(WaveletDescriptor)和基于小波和相对矩的形状特征。
2、颜色特征
颜色特征能够描述运动目标的表面性质，也可以描述运动目标所在场景区域的表面性质，它是一种全局特征。它受到两个因素的制约：(a)发光体的光谱分布，(b)运动目标表面的反射性质。’一般的颜色特征都是基于像素点的特征，对图像区域的大小或方向变化不敏感，但目标的局部特征不能用颜色很好的描述。当然，如果运动目标和背景具有相同或者相近的颜色分布时，仅仅使用颜色特征12进行跟踪，肯定会出现错误或者误差很大的判定。在运动目标和背景的颜色分布 较为明显时，最常用的表达颜色特征模型的方法就是颜色直方图，当图像发生平移变化或者旋转时，该模型不会受到影响，通过进一步归一化后，且具有尺度不变等特点，当然，它并不能够表现出颜色的结构信息。
3、空间关系特征
空间关系特征指的是图像中若干个目标之间的空间位置或相对方向，可分为交叠关系、包容关系和邻接关系等。空间的位置信息可以分为相对位置和绝对位置。相对位置强调目标的相对情况，绝对位置强调目标的位置以及距离大小。空间关系的使用加强了对运动物体的表现区分能力，但它对图像或目标的旋转等比较敏感，因此需要结合其他的有效特征才能有效地描述好目标对象的信息。
4、纹理特征
纹理特征也能够描述运动目标的表面性质，也可以描述运动目标所在场景区域的表面性质，它也是一种全局特征。纹理图像的灰度变化分布具有一定的规律性和周期性，因为灰度变化分布是无规律的、杂乱无章的、随机的，具有一定的统计性质。因为纹理所反映的是物体表面的特性，因为它无法获得高层次图像的内容i 但作为一种统计特征，它具有旋转不变性和较强的抗噪声能力。常见的LBP 纹理算子和GLCM 纹理等算子都是纹理特征。以上所有的特征中，颜色特征是运动目标跟踪技术中最常用的特征。但使用目标的颜色作为跟踪的特征，对光照敏感，很多场景中这些影响在所难免，因此很多学者将颜色特征和其他的特征融合使用，通过多个特征的信息融合来改善运动目标的跟踪鲁棒性能是一种新的思路。本文中的融合形状和颜色特征的 Meanshitt 跟踪算法便是采用这样的思路。、
均值漂移算法简单，复杂度较小，实时性好，不需要参数，集成性强。
甚至将若干个特征融合进行目标跟踪，但是该算法搜索框的核函数带宽保持不变，特征单一，采用颜色特征，抗干扰能力差等。Camshift 是均值漂移算法的扩展，因此优缺点类似。Kalman 预测跟踪算法利用充分的历史信息，使得搜索范围大大缩小，降低了时间复杂度，当被跟踪的目标出现短暂的遮挡，也能表现良好，但是状态估计依赖于运动模型的建立，实际场景中准确建立随机运动模型是非常困难的。
人体行为识别可以简单地认为是时变数据的分类问题，即将测试序列与预先标定的代表典型行为的模型或参考序列进行匹配。其关键问题是如何从学习样本中获取参考行为序列，并且学习和匹配的行为序列必须能够处理在相似的运动模式类别中空间和时间尺度上轻微的特征变化
隐马尔可夫模型(Hidden Markov Model，HMM)[581是一种用参数表示的用于描述随机过程统计特性的概率模型，是一个双重随机过程。其一是马尔可夫链，它描述状态的转移，另一个随机过程描述状态与观察值之间的关系。隐马尔可夫模型主要有离散HMM 和连续HMM 两大类，
（1） 基于特征匹配的目标跟踪
基于特征匹配的跟踪方法的基本思路是：提取运动目标的子特征，如目标的边缘、轮廓、角点等，将这些特征作为目标的描述因子，并在连续帧中匹配以实现跟踪。由于运动目标的子特征分布在整个目标区域中，当目标出现部分遮挡时，该方法仍然能够检测到未被遮挡的部分，所以该方法对有遮挡的目标跟踪效果较稳定。该方法的缺点是如果要使跟踪有很高的有效性，就可能需要采用较多的特征，但是特征过多的话，算法的复杂度就提高了，效率将降低，还有可能会出错。如果采用的特征太少，可能不足以跟踪到运动目标。因此由于线和 区域等特征的跟踪比较复杂和难以确定唯一的特征集等原因，就必须在跟踪的复杂性和有效性之间进行折中。 基于特征匹配的目标跟踪方法包括特征提取和特征匹配两部分。特征提取是指在图像处理过程中提取运动目标的一些特征，比如纹理、颜色和形状等。特征匹配是指将当前帧中提取出的特征和上一帧的特征按照某种规则进行比较，满足规则要求的两个特征形成匹配。该方法[42]主要适用于视频序列之间的时间间隔比较小，而且运动目标在短时间内的特征不会发 生很大变化的情况。
（2）基于区域的目标跟踪
基于区域的目标跟踪方法的基本思路是：将运动目标划分成几个子区域，对各区域进行描述并做相邻帧间匹配，组合各子区域的跟踪结果从而得到整个运动目标的跟踪结果。如 W ren 等人利用该方法做单个行人的跟踪[43]时，将行人划分成头、躯干和四肢等子区域。该方
法在有阴影、遮挡情况时，跟踪效果差。优点是容易实现。国外的研究者运用运动目标的阴影区域缺乏纹理和彩色信息的性质可以很好的解决上述的问题。
（3）基于模板的跟踪
传统的人体模型有三种：线图法、二维轮廓和立体模型，这三种模型的复杂度依次增加，但跟踪的效果是越来越好。基于模板的跟踪就是先为人体训练并建立模型库，在对当前帧中的目标做模型库的匹配，以实现跟踪。
（4）基于动态边界的跟踪
动态边界模型也叫做 snake ，能够表示不断变化的运动人体的边界。该方法的思想是利用封闭的活动曲线轮廓并且能够自适应更新来表示运动目标。动态的边界能够手动或者自动设置，因此和用户交互性较强，且该方法计算量小、灵活性强，缺点是对初始化边界有独立性和准确度的要求。
在目标跟踪过程中，研究和选择合适的特征是成功的关键，运动目标的特征模型的自适应选择，直接影响了跟踪算法的稳定性和可靠性。然而，特征模型的选择和运动目标的表现方法直接有关。例如，颜色特征是外观表现的一个基本特征，一般是基于直方图表示，这也是基于轮廓表现的一个基本特征模型，运动目标的边缘也常被用于跟踪技术中。也有许多跟踪算法是使用多特征融合的模型，
例如本文介绍的融合形状和颜色特征的Meanshitt 算法等，下面着重介绍几种常见的特征模型。
l 、形状特征
运动目标的边缘常常被作为典型的特征被用于跟踪算法中，一般有两类表现方法，轮廓特征和区域特征。轮廓特征主要表现在运动目标的外围边界，区域特征主要表现在整个区域。比较常见的若干种典型的形状特征描述方法有傅里叶形状描述符，形状不变矩法，几何参数法，Hough 变换，还有其他一些比如旋转函数(Turning Function) 、有限元法(Finite Element Method)、小波描述符(WaveletDescriptor)和基于小波和相对矩的形状特征。
2、颜色特征
颜色特征能够描述运动目标的表面性质，也可以描述运动目标所在场景区域的表面性质，它是一种全局特征。它受到两个因素的制约：(a)发光体的光谱分布，(b)运动目标表面的反射性质。’一般的颜色特征都是基于像素点的特征，对图像区域的大小或方向变化不敏感，但目标的局部特征不能用颜色很好的描述。当然，如果运动目标和背景具有相同或者相近的颜色分布时，仅仅使用颜色特征12进行跟踪，肯定会出现错误或者误差很大的判定。在运动目标和背景的颜色分布 较为明显时，最常用的表达颜色特征模型的方法就是颜色直方图，当图像发生平移变化或者旋转时，该模型不会受到影响，通过进一步归一化后，且具有尺度不变等特点，当然，它并不能够表现出颜色的结构信息。
3、空间关系特征
空间关系特征指的是图像中若干个目标之间的空间位置或相对方向，可分为交叠关系、包容关系和邻接关系等。空间的位置信息可以分为相对位置和绝对位置。相对位置强调目标的相对情况，绝对位置强调目标的位置以及距离大小。空间关系的使用加强了对运动物体的表现区分能力，但它对图像或目标的旋转等比较敏感，因此需要结合其他的有效特征才能有效地描述好目标对象的信息。
4、纹理特征
纹理特征也能够描述运动目标的表面性质，也可以描述运动目标所在场景区域的表面性质，它也是一种全局特征。纹理图像的灰度变化分布具有一定的规律性和周期性，因为灰度变化分布是无规律的、杂乱无章的、随机的，具有一定的统计性质。因为纹理所反映的是物体表面的特性，因为它无法获得高层次图像的内容i 但作为一种统计特征，它具有旋转不变性和较强的抗噪声能力。常见的LBP 纹理算子和GLCM 纹理等算子都是纹理特征。以上所有的特征中，颜色特征是运动目标跟踪技术中最常用的特征。但使用目标的颜色作为跟踪的特征，对光照敏感，很多场景中这些影响在所难免，因此很多学者将颜色特征和其他的特征融合使用，通过多个特征的信息融合来改善运动目标的跟踪鲁棒性能是一种新的思路。本文中的融合形状和颜色特征的 Meanshitt 跟踪算法便是采用这样的思路。、
均值漂移算法简单，复杂度较小，实时性好，不需要参数，集成性强。
甚至将若干个特征融合进行目标跟踪，但是该算法搜索框的核函数带宽保持不变，特征单一，采用颜色特征，抗干扰能力差等。Camshift 是均值漂移算法的扩展，因此优缺点类似。Kalman 预测跟踪算法利用充分的历史信息，使得搜索范围大大缩小，降低了时间复杂度，当被跟踪的目标出现短暂的遮挡，也能表现良好，但是状态估计依赖于运动模型的建立，实际场景中准确建立随机运动模型是非常困难的。
人体行为识别可以简单地认为是时变数据的分类问题，即将测试序列与预先标定的代表典型行为的模型或参考序列进行匹配。其关键问题是如何从学习样本中获取参考行为序列，并且学习和匹配的行为序列必须能够处理在相似的运动模式类别中空间和时间尺度上轻微的特征变化
隐马尔可夫模型(Hidden Markov Model，HMM)[581是一种用参数表示的用于描述随机过程统计特性的概率模型，是一个双重随机过程。其一是马尔可夫链，它描述状态的转移，另一个随机过程描述状态与观察值之间的关系。隐马尔可夫模型主要有离散HMM 和连续HMM 两大类，