运动目标跟踪的目的是确定各运动目标的运动轨迹。
所以，要确定当前检测的目标与以往检测到的目标（受跟踪的动态目标）的关系。
1. 目标检测、分割
2. 目标特征匹配
3. 目标的特征估计与校正
运动目标的匹配特征信息一般包括：
1. 位置
2. 大小，size
3. 形状，如高宽比
4. 颜色，（已知的试验中，不太可靠）
5. 边缘特征
目标是动态的，所以，以上特征信息一般也是随着序列图像不断变化的。所以，估计、测量与校正形成一个反馈系统，利于目标跟踪。目标跟踪有很多种，KalmanFilter是常用的一种。
目标跟踪的目的：
一是更好的检测或监控，如行人，车辆持续跟踪
二是对目标进行一些统计，如车辆数目统计
其实两个应用本质相同：检测是否是新目标，去除序列图像中的重复检测。
以目标的位置特征为例，KalmanFilter的应用如下：
x ( t) = Ax ( t – 1)
x ( t) = (x , y , dx ,dy)T, x, y为位置坐标，dx，dy为速度
A =1 0 1 00 1 0 10 0 1 00 0 0 1
由x(t-1)的位置，，预估下一个位置为 !x(t)
目标观测为y(t)=(x, y)T.
状态更新为 x(t) = !x(t) + K(t)*[y(t)-H*!x(t)]
在预估的位置，设置一个区域，进行搜索匹配，若在此区域中搜索到目标，并匹配大于阈值，则此目标为持续跟踪的目标，可以去除重复检测，若为匹配特征小于阈值，则可能为新目标。
序列图像里，单个目标的状态有：
1. 目标出现
2. 目标持续存在
3. 目标消失
而多个目标的状态还存在更复杂的情况：
1. 目标重叠
这种情况在实际应用中复杂但更为常见。这时，要考虑目标的重合与分离状况。
在实际的开发应用中，会应用多种特征和更复杂的模型来跟踪目标，但其原理是不变的，把握这种思路，也就不会无从下手了。
在行人、车辆检测时，检测新目标需要更高的阈值进行确认，而跟踪已知的目标，则利用特征的变化，跟踪阈值会放宽。这就是目标跟踪的距离比新目标检测更远些的原因吧。
趁着有脾气装潇洒，有本钱耍个性，
