در اغلب شبکه های حسگری دیداریاولین گام پردازش، تثبیت تصاویر است. مساله تثبیت تصاویر یا فریم های ویدئویی به دلیل شرایط مختلف تصویر برداری و همچنین لزوم ارائه تصاویر و ویدئو های قابل فهم تر برای انسان یا ماشین در اکثر کاربرد های بینایی ماشین، مطرح می شود. در تصویر برداری به دلایلی چون متفاوت بودن تنظیمات دوربین ها، تغییرات شرایط محیطی، تغییر مکان دوربین ها و تفاوت زمان شروع تصویربرداری شرایط متفاوتی خواهیم داشت. هدف تثبیت، تولید تصاویر و دنباله های ویدئویی هم-تراز و هم زمان با مختصات مکانی و زمانی ویدئوی مرجع است. در این پایان نامه به بررسی ابزار و مفاهیم لازم برای ارائه روشی برای تثبیت دنباله های ویدئویی پرداخته و یک الگوریتم برای تثبیت زمانی و مکانی در دنباله های ویدئویی ارائه می شود. این روش به طور خاص در ویدئو های با اجسام متحرک زیاد و با حرکت های پیچیده نسبت به الگوریتم های مشابه دقت بیشتری دارد. در این روش ابتدا مسیر های حرکتی موجود در دنباله های ویدئویی طبقه بندی شده، سپس توابع تبدیل زمانی برای هر طبقه محاسبه می شود و با مقایسه میزان تشابه محلی در فریم های دنباله های ویدئویی، تابع تبدیل زمانی مطلوب به-دست می آید. الگوریتم ارائه شده برای تثبیت هم از ویژگی های ثابت و هم از ویژگی های متحرک موجود در دنباله های ویدئویی استفاده می کند و قابل اعمال به هر تعداد دنباله ویدئویی غیر هم زمان از زوایای دید مختلف می باشد. تنها شرط این روش لزوم هم پوشانی تصاویر پس زمینه دنباله های ویدئویی برای استخراج نقاط ویژگی مشترک است، این شرط در اغلب موارد برقرار است.