基于视频的目标检测与跟踪技术是计算机视觉的主要研究方向之一,它是智能监控、人机交互、移动机器人视觉导航、工业机器人手眼系统等应用的基础和关键技术。论文主要针对智能监控和人机交互系统应用中的目标,特别是人体目标的检测与跟踪问题展开研究,分别提出了用于背景静止视频序列运动目标的检测与跟踪算法,针对人体目标的快速检测与跟踪算法以及基于Mean Shift的目标平移与旋转跟踪算法。论文完成的主要工作和贡献有: 1.针对智能监控系统中运动目标检测与跟踪问题,提出了一种背景静止视频序列运动目标检测与跟踪方法。首先,对差分图像的灰度分布做GMM(Gaussian Mixture Model)建模,并引入基于GMM模型的边界检测算子,构造运动边界图像,然后,通过修改GVF-Snake的能量项,将此静态图像处理算法引入运动图像,使其能够提取运动图像中目标的轮廓。又针对Snake初始轮廓需要手工设定的问题,提出一种自动初始化方法。为加快GVF-Snake的收敛速度,采用一阶差分算法预测下一时刻目标轮廓的位置。实验结果证明,该算法对刚性和非刚性两类目标都有较好的跟踪效果。针对灰度图像中目标轮廓检测易受影子影响的问题,提出了一种基于彩色视频序列的目标轮廓检测算法。算法采用归一化RGB空间与灰度空间相结合的模型取代单一灰度模型,该模型较好地抑制了影子的影响,有利于对目标形状进行准确识别。 2.针对目前人体目标检测算法不能检测多角度人体目标以及实时性差等问题,提出了一种在静态图像中快速检测任意角度人体目标的算法。算法分别利用目标颜色和轮廓两类特征构造两种检测器。颜色检测器首先进行基于面部肤色和头部发色的色彩分割,然后引入积分图像算法快速提取分割后的图像头部目标区域。轮廓检测器利用头肩轮廓形状的稳定性,用参数化变形模板对头肩轮廓建模,并定义由粗到精的模板匹配策略对头肩进行多级检测。最后构建一个级联检测系统。又针对视频监控应用中人体目标多数为运动目标这一特点,在上述算法基础上增加了基于运动历史图像的运动目标检测环节,快速提取视频序列中的运动目标,运动检测环节的引入进一步提高了算法的速度。实验证明,该算法是切实有效的。