图像匹配技术一直是计算机视觉研究领域中的热点之一,其在智能监控、医疗、文物修复、图像检索、图像拼接等诸多方面均有广泛的应用前景。在智能监控上目前比较热门的是对目标的实时跟踪,在实际的环境下,可能会由于外界和目标自身的各种复杂影响,导致目标的跟踪效果不能达到理想状态。如非刚体目标的自身形态改变,摄像机的视角变化、外界光线的改变以及其它目标的遮挡情况等。对于这些复杂的情况,还没有一种跟踪方法能解决所有的情况。相比于其它方法,基于特征匹配的目标跟踪方法表现出较好的鲁棒性,在一定程度上能解决目标遮挡、光线变化、噪声干扰以及非刚体目标自身形变的情况,所以深入研究和分析特征匹配方法、结合特征匹配算法的目标跟踪方法具有一定的实际意义。图像匹配技术作为智能监控的核心技术之一,图像匹配技术的发展对视频监控的发展具有重要意义。目前SIFT算法和ORB算法获得了研究者的青睐,但是因为SIFT算法是对图像进行全局的特征点检测耗时较长,造成算法的运行速度慢,达不到令人满意的匹配效果,难于应用到目标的实时跟踪。而ORB算法的运行速度较快,但是因为其描述子不具有尺度不变性,所以匹配效果不理想。本文提出了基于稀疏结构的特征匹配算法、改进的ORB特征匹配算法以及基于特征匹配的目标跟踪方法,主要内容如下:(1)针对传统特征点检测耗时的问题提出改进方法,在SIFT算法的基础上,提出了一种基于稀疏结构的特征匹配算法(Feature Matching Algorithm based on Sparse Structure)。本文通过对图像块进行相似度求解,找到图像块之间的联系,根据这种联系定义稀疏度函数,通过稀疏度函数值与图像结构的关系提出稀疏结构的概念,将图像的结构区域提取出来,只对图像的结构区域进行特征检测,以此缩小特征检测的区域,提高算法的运行速度。最后,结合RANSAC算法对匹配结果中错误匹配对进行剔除,提高匹配的准确率。实验表明,改进的算法相比于传统算法,在匹配速度和匹配准确率上具有较好的优势。(2)针对ORB算法不具有尺度不变性进行改进,提出了改进的ORB特征匹配算法。在特征检测时,用SIFT检测代替FAST检测,使获得的特征点具有尺度不变性。以特征点主方向建立坐标轴,得到具有旋转不变性的BRIEF描述子。最后,通过GMS算法计算各个匹配点邻域的支持匹配,将匹配邻域划分为正确和错误匹配邻域,只保留正确邻域中的匹配对。实验表明,改进的ORB特征匹配算法相比于ORB算法具有更好的鲁棒性。(3)将基于稀疏结构的特征匹配算法和KCF目标跟踪算法结合。利用尺度金字塔估计出目标的尺度,实现跟踪框自适应目标尺寸。跟踪过程中对目标遮挡情况进行判断,当目标遮挡时,对当前帧中的目标提取特征生成模板特征,并与下一帧的特征进行匹配,框出与模板特征相匹配的目标,重新对目标进行跟踪。实验表明,将基于稀疏结构的特征匹配算法应用到KCF目标跟踪算法中,在一定程度上,解决了由于遮挡和复杂环境引起的跟踪丢失问题。