现有的目标跟踪算法中网格信息的冗杂度较高, 增加了跟踪算法的复杂程度, 使得跟踪时计算量过大, 影响了跟踪效果。为此, 以降低跟踪过程复杂度为首要目标, 本文在考虑特征约束的情况下, 利用光流场模型实现对多通道视频目标的有效跟踪。通过设定视频随机变量控制光流场数值模型的变化控制偏差并提取出多通道视频的归一化特征, 引入全局池化处理方式解决传统方法多维度特征计算繁杂的问题。首先, 根据图像像素强度与时间参数间的数值关系, 控制光流场模型均值的偏差, 得到视频特征; 然后, 利用激活函数将多通道参数数值映射处理为固定参数, 构建多通道特征约束关系控制特征参数发生升维, 减少数据计算维数; 最后, 划分视频图像中的背景及目标区域, 通过构建像素运动模型完成对视频目标的跟踪。在设置实验仪器初始参数后, 在数据库中随机选取视频片段作为实验对象, 并通过设定不同帧图像的分辨率将其模拟为多通道视频信息, 对传统算法与本文算法的性能展开测试, 结果表明: 本文算法不仅可以保证跟踪精确度高于0.90, 还能将成功追踪率控制在96%以上, 且其跟踪过程耗时最多仅需5.5 s。本文算法能够用复杂度较低的计算过程实现对多通道视频目标的跟踪, 具有较低的计算量。

考虑传统非刚性图像配准方法无法同时满足配准精度和配准时间要求, 综合图像的特征和灰度信息, 提出了几种改进的非刚性图像配准方法: 基于圆形描述子特征的非刚性配准方法（Circle Descriptor Feature, CDF）, 基于动态驱动力Demons的非刚性配准方法（Dynamic Driving Force Demons, DDFD）, 和基于图像特征和光流场的非刚性配准方法。CDF方法通过提取图像的特征点, 采用圆形描述子代替传统方法的正方形描述子来保证图像的旋转不变性, 提高配准速度; DDFD方法通过引入驱动力系数动态改变驱动力, 有效地解决了传统方法配准时间和配准精度低的问题; 基于图像特征和光流场的非刚性配准方法则首先提取浮动图像和参考图像的特征点, 然后利用提取的特征点进行粗配准（特征级配准）, 再采用基于光流场的方法进行精细配准（像素级配准）, 最终实现配准精度和配准时间的兼顾。对checkboard测试图像、自然图像、脑部MR图像、肝部CT图像进行了实验测试, 结果表明, 本文方法在配准时间、配准精度及对大形变图像的适应性方面均优于传统尺度不变特征转换（ SIFT ）、加速鲁棒特征（SURF）、Demons、Active Demons和全变差正则项-L1范数项（TV-L1）等方法。