传感器控制系统与伺服系统主要是对传感器进行反馈控制，在主动视觉跟踪系统中通过调整云台从而使得摄像机能够随着跟踪目标运动。
数据通信则负责图像序列数据和控制信号以及反馈信号的传输。
跟踪系统性能要求一般必须满足三个基本要求:
(l)鲁棒性:跟踪过程应该具有较强的稳定性，并且具一定的抗干扰性，在一些可能会导致跟踪目标丢失的跟踪场景中具有自我恢复的功能。
(2)准确性:目标跟踪必须具有较高的精度，要求较低的跟踪能够给出目标的大概位置，要求较高的跟踪能给出目标的准确位置以及目标姿态的等信息。
(3)实时性:对目标的跟踪必须实时地进行，监控数据的输出速率必须满足系统的动态性能指标，但是视频跟踪过程中一般都是涉及到大量数据，因此要求跟踪算法的计算量尽量的少，这样才能满足系统的实时性要求。
然后同时满足以上三点是很难的，实际应用中需要结合实际情况具体分析。
1.2  目标跟踪方法综述
目前存在着很多的视频跟踪算法，大体上可分为以下几类:基于运动分析的方法、基于特征的方法、基于变形模板的方法、基于模型的方法等。下面将对各种方法的原理和特点进行简要的介绍。
1.2.1  基于运动分析的方法
目前基于运动分析的方法主要有光流法以及帧间差分法两种。
光流方法通过计算目标和背景之间的不同速度来检测运动目标，基于光流估计的方法一般都是基于如下假设:目标以及背景灰度值是不随时间的变化而变化的，图像灰度分布的变化全是由目标或背景的运动引起的。
帧间差分法首先对相邻帧的图像进行减运算，然后对结果图像取闽值并分割，然后再对运动目标进行提取。常用的帧差法只能根据帧间像素的强度变化来检测待跟踪的目标是否发生运动。但是噪声对这种方法的影响较大。
上面的两种算法都存在着一些优缺点:帧差法计算简单，易于移植，但是它仅适合于静止背景跟踪，为了对动态背景的目标进行跟踪，需要对摄像机进行运动补偿后再差分;光流法具有较强的抗干扰能力，但是不能很好地区分物体运动造成的背景遮挡问题，并且具有较大的计算量。
1.2.2  基于特征的方法
基于特征的跟踪方法包含特征提取以及特征匹配两个过程，该方法的思想是:首先利用特征提取方法对目标像素进行提取，把它们进行聚类组合成图像特征，然后再对帧间图像进行特征匹配，从而达到跟踪的目的。基于几何边界和目标轮廓的方法是典型的基于特征的两种方法。其实现可分为以下三步:
(1)在目标检测结果的基础上抽取如边界、颜色、拐角等目标的显著特征;
(2)在序列图像上寻找特征点之间的对应关系，即上面提到的特征匹配;
(3)根据相似性度量方法，选取相似度最大的位置为目标所在的实际位置。
目标的某些特征具有一些特殊的性能。比如矩特征对目标的缩放、旋转等运动不敏感，所以选用它作为图像匹配特征时可以在一定程度上提高跟踪算法的稳健性。
1.2.3  基于变形模板的方法
基于变形模板跟踪的思想是:利用封闭的曲线轮廓来表达运动的目标，并且该轮廓在一定限制条件下能够连续自动地进行更新。典型的活动轮廓是Kass于1987年时提出的主动轮廓模型，也称为Snake模型。
模型描述:
(l)对视频跟踪里面的目标进行跟踪时，把当前帧分成两个部分:一是被跟踪的目标区域，二是背景区域，目标区域用 表示，背景区域用 表示。两块区域之间的边界线可以用 表示;
(2)建立Snake模型的时候，首先需要提取目标和背景区域以及界曲线之间的一些特性如纹理、运动等，再建立对应的特征函数: Matlab视频序列中的目标跟踪技术研究(3):http://www.youerw.com/jisuanji/lunwen_8096.html