1. 研究目的与意义

随着时代的发展和科学技术的进步，视频监控和检测已经普及到人们的日常生活中。

在民用方面，视频监控与检测被广泛应用与超市，学校，加油站，自家的庭院等。

在军事和公用方面，视频监控与检测被应用与卫星侦察，无人机侦察，无人驾驶，雷达检测，以及交通违章拍照等。

2. 课题关键问题和重难点

首先读取视频，对第一帧的图像进行sift特征提取求出sift特征矢量，采用欧式距离判断两幅图像中最相似的关键点。

求出的对应匹配点，一部分在背景上，另一部分在运动目标上,需要精确参数的准确性。

在得到全局运动模型参数后，需要对背景进行运动补偿。

3. 国内外研究现状（文献综述）

sift特征算法由英属哥伦比亚大学计算机科学教授david lower于1999年所发表，在2004年完善总结。

其应用范围包含物体辨识、机器人地图感知与导航、影像追踪和动作对比。

mikolajczyk和schmid针对不同的场景、对光照变化、图像几何变形、分辨率差异、差异、旋转、模糊和图像压缩等六种情况，就多种最具代表性的描述子（如sift，矩不变量，互相关等10种描述子）进行了实验和性能比较，结果表明，在以上各种情况下，sift描述子的性能最好。

4. 研究方案

目标功能的实现大致包括sift特征点的提取与匹配，背景建模。

sift算法的主要步骤为：检测尺度空间极值点，精确定位极值点，为每个关键点指定方向参数，关键点描述子的生成。

首先提取输入图像帧的特征点，求得第一帧sift特征点，用欧式距离作为相似度准则，以上一帧目标位置为基本搜索区域，求得当前输入帧中特征点在前一帧中的匹配特征点，然后剔除选在目标上的异常特征点，求得仿射模型的参数。

5. 工作计划

第一周--第四周：阅读有关sift特征算法和目标跟踪的相关文献，收集相关实验所需要的数据，掌握相关的知识，并对相关的知识进行梳理和总结。

第五周--第七周：下载并安装opencv库，学习了解opencv的相关知识和调用方法，了解计算机图形软件设计的相关知识和架构，设计基本的程序框架。

第八周--第十周：实现sift特征点计算匹配算法，并计划实现帧差法和背景建模对目标跟踪。