运动目标检测与跟踪是计算机视觉中一个重要的研究方向,它融合了计算机图像处理、人工智能与模式识别等诸多领域的知识,并在虚拟现实、交通监控、生物医学、智能人机交互等领域有着广泛的应用前景。在基于传统的目标检测过程中,模型的建立、模型参数的更新和模型对场景变化的敏感度等,影响了检测的速度;以及运动目标受光照的影响产生的投射阴影也会影响到检测的准确性。在复杂的场景中,由于光照的变化、运动目标与背景的相似度高以及运动目标的交叉运动等,使得在运动目标跟踪过程中会出现跟踪丢失的现象。针对这些问题,本文对复杂场景下运动目标的检测和跟踪的问题进行了研究,其主要内容和成果如下:(1)提出了高斯混合模型的自学习算法,该算法通过在传统EM(Expectation Maximization)算法的基础上,推导出学习率因子和遗忘因子的递归表达式,从而使得参数更新更加精确,收敛速度更快。针对光照所产生的投射阴影,在检测过程中运动阴影也被检测出来,本文通过HSV(Hue, Saturation, Value)颜色模型对阴影进行消除,使得在复杂背景下检测的前景目标更加精确。实验结果表明,传统的混合高斯模型需要到第40帧左右才能很好的检测出运动目标,而高斯混合模型的自学习算法在第22帧左右就可以很好的检测出运动目标,且通过阴影消除后,前景目标也更加精确。(2)提出了交互MCMC(Markov Chain Monte Carlo)粒子滤波,用来解决粒子数匮乏问题,通过引入粒子间的交互信息来减少粒子历史状态之间的联系,不仅解决粒子数退化的问题,还加快了算法的收敛速度,提高了算法的性能。利用人体运动检测的结果,选择包含目标区域边界的两个对角顶点作为跟踪的特征点,用交互MCMC粒子滤波来预测并跟踪特征点的位置和速度,从而得到特征点的轨迹,选择特征点的三维空间位置和速度作为状态变量,从而避免了将非线性函数直接线性化引起的跟踪误差。实验结果表明,在复杂环境下对目标进行跟踪时,即使存在光照、目标与背景相似度高等情况,也不会出现跟踪目标丢失的现象,同时,也能可靠地预测和跟踪运动人体在3D空间的运动轨迹。(3)提出了将模糊数据关联和粒子滤波相结合的方法,并用于多目标跟踪过程中,该方法通过在粒子滤波重采样后加入改进的模糊隶属度函数,将由数据关联得到的最佳隶属度作为粒子的权值,从而有效的避免了噪音数据的干扰,并通过算法性能的分析可知,在目标航迹有交叉的时候也不会丢失跟踪目标。实验结果表明,在复杂的环境下,当人体运动出现交叉时也能很好的对人体进行跟踪,而不会出现跟踪丢失的现象,从而增强了目标跟踪的鲁棒性和准确性。