目前，目标跟踪的应用前景十分广泛，在民用设备、交通监控、医疗研究和国防军事等领域中都有着重要的科研价值。国内外的众多学者也因此对目标跟踪展开了相关研究，提出了许多不同的跟踪方法。多年来，传统的基于彩色图像的目标跟踪算法已经发展成为了一个成熟的体系。基于RGB图像的跟踪算法主要分为以下几类：49136

    1）基于特征匹配的跟踪算法

此类方法是指，根据之前运动目标检测的结果，从目标区域中提取其显著特征并建立特征集、匹配相邻帧之间的特征点，来对目标实施跟踪。在这类方法中，我们无须跟踪整个目标图像区域，只要跟踪目标的某些高度稳定的特征点，并将这些特征点与其他图像进行匹配即可。因此，特征提取这一环就变得非常关键，会直接决定该算法能否准确地跟踪目标。

基于特征匹配的优势在于即使目标被部分遮挡或者物体形状改变，只要某些特征点仍旧能被搜索到，目标依旧可以被准确地跟踪到。而该算法的不足之处则是提取特征集并且将之匹配的计算量十分巨大，缺乏实时性。

如何选择稳定的特征点是这个算法的难点。文献[6]描述了一种在遮挡情况下，基于特征相关匹配的目标跟踪算法。该算法通过判别不同的目标特征，合理地选择基于多子块的灰度相关匹配或者边缘匹配，解决了遮挡问题，使跟踪的可靠性得到极大的提升。

2）基于区域统计特性的跟踪算法

    该类算法的思想是，通过划分运动目标并描述其中的几个子区域、匹配相邻帧、组合各子区域的跟踪结果，从而得到跟踪结果。Mean-Shift算法是其代表性算法[7]。Mean-shift算法基于核密度估计，是一种非参数模式的匹配算法。这个算法需要建立加权直方图，从而才能表示目标的颜色分布。该算法主要使用像素概率密度函数梯度最优化方法，使用迭代，迅速靠拢概率密度函数的局部极大值，使得定位目标的速度十分之快。但Mean-Shift算法以目标颜色作为匹配特征，当光线变化造成目标颜色分布变化，或者目标运动过程中遇到颜色分布相似的物体时，算法可能会失效。

3）基于轮廓的跟踪算法

    这类方法是将运动目标的封闭轮廓作为目标模型，在后一帧中搜寻目标的位置。然后计算目标边缘的二值图像，从而得到目标轮廓。最后通过匹配前一帧的模型，以达到跟踪的目的，同时更新该轮廓。

4）基于模型的跟踪算法

传统的人体模型有三种：二维轮廓法、体积模型和线图模型论文网，这三种模型的复杂度依次增加，但跟踪的效果是越来越好。基于模型的跟踪指的是在人体训练后，建立模型库并在该库中匹配当前帧中的目标，来达到跟踪的目的。

目标跟踪领域尽管已经拥有了多种成熟的算法，但其中仍旧存在着很多技术上的难点。如何解决这些难点问题，决定着跟踪器的性能能否有效地提升。主要的难点问题有：（1）物体形状尺寸变化；（2）光照变化；（3）复杂背景；（4）多目标跟踪；（5）目标遮挡。此外，由于需要处理大量的图像信息，我们还要注意目标跟踪算法的实时性与准确性之间的平衡。