运动目标跟踪一直是机器视觉领域的一项重要的研究课题,广泛应用于安防监控、人机交互、智能机器人等领域。由于运动目标受到波动、旋转、缩放、光照、以及复杂环境带来的诸多不利因素的影响,设计可靠的运动目标跟踪方法仍然是一项具有挑战的工作。　　 论文阐述了与运动目标跟踪技术相关联的三个环节:特征点的提取,特征点的匹配,目标跟踪,而其中的特征点提取与匹配环节是整个跟踪过程的基础。因此,本论文从尺度不变特征变换算法的实时性与鲁棒性分析入手,针对其在特征点匹配精度和匹配效率两方面不足,提出一种基于运动目标的多尺度特征提取算法(MSFE)。该算法通过设计出一种基于尺度因子变化的高斯核模板尺寸自适应调整以及图像双向配准的办法,成功地修正了运动目标图像配准的实时性与鲁棒性的不足。实验证明,多尺度特征提取算法能够有效而快速地完成时间轴连续帧图像和双目视图的特征点匹配,对视觉效果不好的红外图像配准效果也良好。　　 Kalman滤波是线性无偏最小方差估计准则下推导得出一种递推滤波方法,借助系统的当前时刻状态估计值和观测值递推出下一时刻的状态估计值。Mean Shift跟踪算法是一种有效的非参数密度梯度估计迭代算法,在色彩特征空间下建立目标模型及候选模型,以二者相似性最大为原则,漂移迭代出目标在每帧的真实位置。针对运动目标受到快速波动、旋转、缩放、光照以及复杂环境等不利因素的影响,传统Kalman滤波和Mena shift算法鲁棒性和实时性不足,论文提出了一种基于MSFE的Kalman滤波和MeanShift跟踪算法。对于Kalman滤波,前帧目标区域特征点匹配出后续帧目标区域特征点,并以后者特征点集邻域质心为中心,建立搜索区域,避免了遍历整幅后续帧图像,为Kalman滤波方程状态后验值提供了稳定的观测信号和观测残差。对于Mean Shift跟踪,前帧目标区域特征点匹配出后续帧目标区域特征点,以后者特征点集中心坐标去修正均值漂移搜索窗位置,并以此作为约束条件,降低均值漂移迭代时所带来的偏差。实验证明,这种作为约束条件引入传统的Kalman滤波方程的多尺度特征提取技术,克服了传统Kalman滤波时间较长,易发散的缺陷,降低了传统的Mean Shift跟踪算法的迭代次数和迭代偏差,从而很好地改善这两种算法的实时性和鲁棒性。　　 最后,针对红外目标图像的信噪比低、对比度差、分辨率不高、视觉效果模糊等特点,论文直接利用MSFE算法设计跟踪技术。在红外视频序列中,完成连续帧目标区域特征点的配准,并以后续帧目标区域特征点集质心为中心建立跟踪搜索窗,完成红外目标跟踪。实验表明,基于多尺度特征点提取的红外目标跟踪算法鲁棒性强,实时性高,能快速而有效地完成对红外目标跟踪。