一．運動目標檢測
（一）背景差
1.幀差
2.GMM 等
背景減算法可以對背景的光照變化、噪聲干擾以及週期性運動等進行建模，在各種不同情況下它都可以準確地檢測出運動目標。因此對於固定攝像頭的情形，目前大多數的跟蹤算法中都採用背景減算法來進行目標檢測。背景減算法的侷限性在於它需要一個靜態的固定攝像頭。
（二）運動場
光流法
光流估計的方法都是基於以下假設：圖像灰度分佈的變化完全是目標或者場景的運動引起的，也就是說，目標與場景的灰度不隨時間變化。這使得光流方法抗噪聲能力較差，其應用範圍一般侷限於目標與場景的灰度保持不變這個假設條件下。另外，大多數的光流計算方法相當複雜，如果沒有特別的硬件裝置，其處理速度相當慢，達不到實時處理的要求。
二．目標跟蹤
1.區域與區域匹配
這種算法的優點在於當目標未被遮擋時，跟蹤精度非常高，跟蹤非常穩定。但其缺點首先是費時，當搜索區域較大時情況尤其嚴重；其次，算法要求目標變形不大，且不能有太大遮擋，否則相關精度下降會造成目標的丟失。
2.特徵點（關鍵點）跟蹤
KLT：Shi和Tomasi 在1994年提出的KLT 跟蹤算法是一種被廣泛應用的基於特徵點跟蹤算法。由於特徵點分佈在整個目標上，因此即使有一部分被遮擋，仍然可以跟蹤到另外一部分特徵點，這也是基於特徵點跟蹤算法的優點。
基於特徵點的跟蹤算法中，比較困難的問題是當目標發生旋轉或者被遮擋時，如何準確地完成特徵點的提取、保存、刪除等工作
3.基於主動輪廓的跟蹤算法
主動輪廓模型也稱爲Snake 模型，這種方法能較精確地跟蹤上目標的輪廓。Snake 模型非常適合可變形目標的跟蹤，如對運動細胞的跟蹤。這種模型與卡爾曼濾波相結合能夠更好地進行跟蹤。Snake模型比較適合單目標的跟蹤，對於多目標跟蹤更多地是採用基於水平集(Level Set)方法的主動輪廓模型
4.光流
Lucas-Kanade稀疏光流calcOpticalFlowPyrLK（利用金字塔）
Horn-Schunck稠密光流calcOpticalFlowHS
稠密光流需要很大的計算量，OpenCV中對此方法做了簡化，即對前後連續幀的一個像素的鄰域進行匹配，這種方法叫塊匹配。
稀疏光流需要在跟蹤之前指定一組點，如果這些點具有某些明顯特徵，那麼跟蹤就會相對穩定和可靠。可見，其運算量比稠密光流要小很多。
首先利用goodFeaturesToTrack函數得到圖像中的強邊界作爲跟蹤的特徵點，接下來要調用calcOpticalFlowPyrLK函數，輸入兩幅連續的圖像，並在第一幅圖像裏選擇一組特徵點，輸出爲這組點在下一幅圖像中的位置。再把得到的跟蹤結果過濾一下，去掉不好的特徵點。再把特徵點的跟蹤路徑標示出來。
（實際效果一般）
5.mean-shift和 camshift
Mean-shift優缺點
meanShift算法用於視頻目標跟蹤時，採用目標的顏色直方圖作爲搜索特徵，通過不斷迭代meanShift向量使得算法收斂於目標的真實位置，從而達到跟蹤的目的。
傳統的meanShift算法在跟蹤中有幾個優勢：
（1）算法計算量不大，在目標區域已知的情況下完全可以做到實時跟蹤；
（2）採用核函數直方圖模型，對邊緣遮擋、目標旋轉、變形和背景運動不敏感。
同時，meanShift算法也存在着以下一些缺點：
（1）缺乏必要的模板更新；
（2）跟蹤過程中由於窗口寬度大小保持不變，當目標尺度有所變化時，跟蹤就會失敗；
（3）當目標速度較快時，跟蹤效果不好；
（4）直方圖特徵在目標顏色特徵描述方面略顯匱乏，缺少空間信息；
由於其計算速度快，對目標變形和遮擋有一定的魯棒性，所以，在目標跟蹤領域，meanShift算法目前依然受到大家的重視。但考慮到其缺點，在工程實際中也可以對其作出一些改進和調整；例如：
（1）引入一定的目標位置變化的預測機制，從而更進一步減少meanShift跟蹤的搜索時間，降低計算量；
（2）可以採用一定的方式來增加用於目標匹配的“特徵”；
（3）將傳統meanShift算法中的核函數固定帶寬改爲動態變化的帶寬；
（4）採用一定的方式對整體模板進行學習和更新；
CamShift算法
CamShift算法的全稱是"ContinuouslyAdaptive Mean-SHIFT"，即：連續自適應的MeanShift算法。其基本思想是對視頻序列的所有圖像幀都作MeanShift運算，並將上一幀的結果（即搜索窗口的中心位置和窗口大小）作爲下一幀MeanShift算法的搜索窗口的初始值，如此迭代下去。簡單點說，meanShift是針對單張圖片尋找最優迭代結果，而camShift則是針對視頻序列來處理，並對該序列中的每一幀圖片都調用meanShift來尋找最優迭代結果。正是由於camShift針對一個視頻序列進行處理，從而保證其可以不斷調整窗口的大小，如此一來，當目標的大小發生變化的時候，該算法就可以自適應地調整目標區域繼續跟蹤。
在OpenCV自帶的camShift的例子當中，是通過計算目標在HSV空間下的H分量直方圖，通過直方圖反向投影得到目標像素的概率分佈，然後通過調用OpenCV的CAMSHIFT算法，自動跟蹤並調整目標窗口的中心位置與大小。該算法對於簡單背景下的單目標跟蹤效果較好，但如果被跟蹤目標與背景顏色或周圍其它目標顏色比較接近，則跟蹤效果較差。另外，由於採用顏色特徵，所以它對被跟蹤目標的形狀變化有一定的抵抗能力。
OpenCV自帶例子中的camShift算法，可以分爲三個部分：
A、計算色彩投影圖（反向投影）：
（1）爲了減少光照變化對目標跟蹤的影響，首先將圖像從RGB顏色空間轉換到HSV顏色空間；
（2）對H分量進行直方圖統計，直方圖代表了不同H分量取值出現的概率，或者說可以據此查找出H分量的大小爲x時的概率或像素個數，即，得到顏色概率查找表；
（3）將圖像中每個像素的值用其顏色出現的概率進行替換，由此得到顏色概率分佈圖；
以上三個步驟稱之爲反向投影，需要提醒的是，顏色概率分佈圖是一個灰度圖像；
B、meanShift尋優
前面提到過meanShift算法（http://blog.csdn.net/carson2005/article/details/7337432）是一種非參數概率密度估計方法，它通過不斷迭代計算得到最優搜索窗口的位置和大小。
C、camShift跟蹤算法
前面提到，camShift其實就是在視頻序列的每一幀當中都運用meanShift，並將上一幀的meanShift結果作爲下一幀的初始值，如此不斷循環迭代，就可以實現目標的跟蹤了。
6.kalman濾波（預估器）