文献综述（或调研报告）：
近年来跟踪技术得到了蓬勃的发展[2]，比较典型的匹配跟踪算法有：Mean-shift、模板匹配法等目标跟踪算法。Mean-shift[3] 用于跟踪时，通常采用颜色特征，计算简单、实时性好。但是在背景混乱、目标遮挡以及目标存在明显的尺度变化等情况下容易丢失目标。模板匹配算法[4] 通过计算像素点邻域的相似度来判断两点的匹配度，该算法简单，但在求解整幅图像中的匹配点时需要遍历整张图片，计算量大，且在目标发生形变时失效。
为了解决非刚性运动目标由于旋转、缩放、与背景相似、被遮挡等情况给跟踪算法带来的问题[5]，近年来，图像局部不变特征［6］越来越受到重视，其一定程度不受目标缩放、旋转、光照变化及图像模糊等因素的影响，且相对于全局特征，局部特征点不易受到复杂背景及遮挡的影响，只要能匹配上部分特征点就能获得目标信息。因此，采用特征点描述目标，通过特征点匹配实现跟踪，具有较大优势。
部分学者对图像中具有高度辨别性的特征进行提取，比较典型的特征提取算法有 Harris 算法、 SUSAN算法等, 但这些算法在处理目标形变时往往无能为力，当目标发生形变时，提取的特征发生改变，从而使得目标无法匹配或发生误匹配，而 SIFT[6] 特征描述子正是具有这样性能的特征提取方法。该法从图像中提取出的特征点可以用于一个物体或场景不同视角下的可靠匹配，对图像缩放、旋转、仿射扭曲、噪声干扰以及光照变化保持了不变性。同时， 这种特征还具有较高的辨别能力，有利于后续的匹配跟踪。
SIFT 算法是特征图像特征提取中一种最具鲁棒性的算法，但是其在特征提取匹配上速度较慢，很难满足实时目标跟踪的要求。使用 SURF [7]特征提取方法既保持了 SIFT 算法的高精度的优点，又克服了速度慢的缺陷。实验证明， 算法对目标的轻微旋转、 部分遮挡、 亮度变化具有很强的鲁棒性， 跟踪速度比 SIFT算法也极大提高。由于SURF特征提取算法是当前特征点匹配领域的热点，具有较高的匹配能力，并且当图像发生平移、旋转和仿射变换、光照变换等情况，都具有较高的匹配精度和鲁棒性。本方案研究基于SURF特征的目标跟踪算法。
单应矩阵表示两个平面之间的一种可逆齐次变换关系矩阵，它在多视几何中扮演了极其重要的角色，己广泛应用于视觉测量、摄像机标定、三维重建、图像拼接等领域中。目前关于单应矩阵的估计主要有以下[14]四类方法：
l) 代数方法 (基于代数距离的最小化方法) ，这类方法通常又称为线性估计方法；
2) 几何方法 (基于几何距离的最小化方法 )，这类方法是非线性的，需要迭代计算；
3) 鲁棒估计方法，如RANSAC方法、M-估计方法等。对于测量数据包含错误数据点的情况，这类方法一般亦能给出较好的估计；
4) 统计估计方法，是一种在概率模型下进行估计的方法，实现起来比较复杂[15、16]
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
