視覺，是人類感知客觀世界的主要信號來源。在信號處理理論與計算機出現以后，人們試圖用攝像機獲取環境圖像并轉換成數字信號，用計算機實現對視覺信息處理的全過程。這種使計算機能夠通過一幅或幅圖像認識周圍環境信息的研究目標，正是機器視覺。
作為機器視覺的代表應用，以攝像機為核心的系統，目前已經廣泛應用與安保、交通、樓宇、工業等各個行業領域。想要了解機器視覺究竟為視頻監控帶來了哪些改變，我們可以從機器視覺的幾大應用領域來進一步分析。
目標識別
目標識別技術和穩定的追蹤方法是機器視覺發展的關鍵因素之一。它在很多領域都得到大量的應用，例如身份確認的指紋識別、人臉識別、虹膜識別以及在智能交通管理、機動車檢測、停車場管理等場合的車牌識別等。
一個目標識別系統應該具有在復雜背景以及各種天氣情況下檢測、分類、識別目標的能力，這樣才能有針對性地對目標進行持續的跟蹤。
近些年來，目標識別技術已由理論探索、實驗室仿真逐漸走向實際應用，其技術方法也從經典的統計模式識別，向著基于知識、模型、多傳感器信息融合以及人工神經網絡的識別方法演進。
目標追蹤
運動目標跟蹤是確定同一物體在圖像序列不同幀中位置的過程。其主要工作方式就是選擇好的目標特征和采用適當的搜索方法，根據匹配原理，把現有的跟蹤方法分為基于模型、區域、特征以及活動輪廓的跟蹤。
基于模型的跟蹤
基于模型的跟蹤是通過一定的先驗知識對所跟蹤目標建立模型，然后通過匹配跟蹤模板，并實時更新模型。傳統的運動物體表達方法有如下三種：
1. 線圖法：目標運動的實質是主框架的運動，因此該表達方法將物體的各個部分以直線來近似。
2. 二維輪廓：該表達方法的使用與物體在圖像的投影有關。
3. 立體模型：利用廣義橢圓柱、球等三維模型來描述物體的結構細節。該方法往往需要在聯系的圖像幀間匹配三維模型來獲取物體運動的定量描述，因此需要計算更多的參數，匹配過程的計算量更大。
