基于相关的模板匹配方法在图像跟踪中得到了广泛的应用,但是这种方法的主要缺点是对图像噪声非常敏感,而且由这种方法得出的相关曲面比较平坦.为了有效抑制噪声和局部遮挡对图像的影响,提出用鲁棒统计中的一个值代替相关值作为距离度量.它不是计算两幅图像的对应像素差值, 而是计算两幅图像中差别不大的对应象素对的个数。实验证明这样得到的曲面相对要尖锐得多.当上述的距离度量应用于跟踪过程中时, 模板的合理更新对跟踪非常重要.基于上述的距离度量方法, 提出了一种新的模板更新策略.利用两幅图像中近似像素在整修匹配模板像素中所占的比例大小决定加权系数.这种加权策略可以自适应地根据图像序列的变化选择更新相关模板,同时在一定程度上减小模板漂移的危险.

传统的图像相关匹配方法中，由于实时图和参考图之间存在着灰度差异和一定程度的几何形变以及对目标的局部遮挡，使得利用求取对应像素灰度差累加和来进行相似性度量算法的性能很容易受到影响。文中从另一角度提出了一种新的图像相关匹配算法。该方法改变了原先匹配算法中求取模板图像和目标图像的像素灰度差的和的方法，而改为求取两幅图像之间相接近的点的个数，从而使匹配算法的稳定性大大提高，因为局部出现的大片噪声点将不会影响匹配的结果，而这样的情况在传统的相关算法中将会显著影响匹配结果。实验结果表明了该方法的有效性。

传统的图像匹配方法中,由于实时图和参考图之间存在着灰度差异和几何形变,仅用灰度作为特征进行匹配算法的性能很容易受到影响.文中提出了一种基于奇异值分解的图像匹配方法.该方法首先利用奇异值分解方法,求出模板图像矩阵的奇异值及奇异值向量,用它们作为模板图像的特征代替传统算法中的灰度对两幅待匹配图像进行全局搜索定位.由于奇异值分解方法所特有的优越性,匹配实验取得了良好效果.实验结果验证了该方法的有效性.