For å kunne gi best mulig behandling av nevromotoriske sykdommer hos barn, er det viktig at diagnosen stilles så tidlig som mulig. Derfor pågår det et forskningsprosjekt der man studerer barns sporadiske bevegelser når de er to til fire måneder gamle. Disse bevegelsene har vist seg å kunne gi en indikasjon på om barnet er normalt eller avvikende. Det foreligger en database med videoopptak av barn som ligger på ryggen og kan bevege seg uten hindringer. Ved å studere disse opptakene kan en spesialist innen fysioterapi kunne gi en diagnose på Cerebral Parese med relativt god sikkerhet. Målet med forskningsprosjektet er derfor å erstatte fysioterapeuten med et dataprogram som kan analysere videostrømmen på samme måte. Denne masteroppgaven går ut på å kunne posisjonere hender, føtter, hode og bryst hos spedbarn i videosekvenser. Dette skal gjøres uten bruk av optiske markører festet på barnet. Posisjonsestimatene kan i videre arbeid brukes til å gjøre en analyse av barnets bevegelser, og kunne klassifisere de som normale eller avvikende. Det er utviklet og testet fire forskjellige måter å utføre målfølgingen på. Disse baserer seg på histogram, spatiogram, co-occurrence matriser og cosinusvinkelen mellom bildeutsnitt. Det er gjort tester som har resultert i vellykkede følginger av barnets hode, hender, føtter og bryst. De forskjellige representasjonsmetodene har vist seg å ha styrker og svakheter som gjør at de kan kombineres til å gi en mer robust algoritme. Direkte billedsammenligning med cosinusvinkel er best når objektet som skal følges ikke endrer form og farge i vesentlig stor grad. Dette gjelder for hodet og brystet. Spatiogram-metoden og co-occurrence metoden er gode når objektet varierer form og farge, og i kombinasjon med flere referansemodeller har de vist seg å danne et godt grunnlag for robust følging av hender og føtter. For å gjøre algoritmen mer robust er det foreslått alternative metoder som kan utvikles i framtiden. Ved å registrere kanter og konturer er det sannsynlig at følgingen vil fungere bedre.