运动目标特征点检测提取,即从一组二维图像序列中,进行某个运动目标的特征点的检测提取,并且将所有图像序列中目标特征点串连起来。最后,每帧运动目标特征点匹配对应构成一个连续的序列,以便于后续研究,如三维运动重建技术所需要的特征点。该研究一直都是计算机视觉和模式识别领域中热门的研究课题之一,也是本文研究的主要内容。本文在分析图像中特征点的检测提取技术的基础上,研究了传统的susan算法、Harris算法等。同时,对帧间差分法、背景差分法、光流法这几种目前常用的分析运动目标跟踪技术的算法进行了分析与研究。传统的特征点检测算法精度和多尺度方面都有缺点,无法满足其它研究需要,如三维运动重建技术。在目标跟踪方法中,光流法相比其它跟踪算法,它不仅含有了运动目标的运动轨迹信息,而且还含有了与目标关联的物体三维结构的大量信息,在不知道背景及其它信息的状况下,检测出运动目标对象。但是光流法,计算量太大,所以实时性相对比较弱。所以改进光流法,使其计算量小,是本文的一个研究点。本文主要围绕特征点的改进检测和特征点的位置预测匹配跟踪进行研究。主要做了以下三个方面的工作研究:(1)本文提出了一种多尺度的且处于亚像素的Harris角点检测改进算法。针对传统Harris算子不具有尺度不变性,提取的角点是像素级的,而且其检测速度很慢的情况做了改进。通过对图像高斯平滑进行尺度计算,再利用原始角点为中心的集群,对集群内各点进行距离加权处理,从而对亚像素点进行精确定位。实验结果证明,与传统Harris算法相比,该方法在多尺度上更能适应不同尺度变化的角点检测,同时检测出的角点在精度达到了亚像素,比像素更加精确。(2)光流法计算量非常大,实时性很差。针对这一问题,本文提出了背景差分光流法。将背景差分法和光流法,两种算法进行有效的结合,即先用背景差分法对图像序列进行第一步预处理,再利用光流法对第一步的结果进行计算处理。结果表明,改进后的处理方法能有效地提高运动目标跟踪的实时性,系统稳定性好。(3)每帧图像序列中目标的特征点,能否相互匹配对应也是本文的研究重点之一。目标特征点的对应是基于目标的运动轨迹的信息的动态匹配。对每一帧图像的特征点的检测提取,对整个图像序列进行改进型光流法目标跟踪和图像特征点的预测,三者算法相互有机结合,即可达到图像序列中特征点的检测提取以及匹配跟踪的目的。