视频运动目标检测及跟踪是计算机视觉领域的一个重要课题,是进行智能视频分析、视频检索、人机互动等计算机视觉应用领域中核心关键技术,在诸多领域具有广泛的应用前景,其结果将直接对高层视频处理产生影响。然而,视频目标的检测及跟踪往往会由于复杂场景条件和目标运动的随机性而变得非常困难,在理论和应用上仍然存在着许多不完善和尚待解决的问题。例如,在自然条件下,光照变化、动态背景、目标旋转、伸缩、被遮挡、目标运动的复杂性和随机性等因素都会使得目标检测和跟踪变得非常困难。因此,研究复杂场景下的鲁棒的目标检测与跟踪算法在理论和应用方面都具有重要意义。论文以单摄像机视觉,固定监控场景下的运动目标检测和跟踪作为研究内容,对运动目标检测、目标投射阴影消除、建立目标描述以及目标跟踪方法等关键技术进行了研究,论文的主要工作有以下几个方面：(1)针对复杂场景下的运动目标检测问题,论文提出了基于自适应的混合高斯模型背景建模的方法,该方法根据场景中像素颜色变化的情况,自适应改变混合高斯分量数目,混合模型的高斯分量数目反映了像素值变化的复杂程度。论文改进了混合高斯模型参数的学习方法,在每帧视频计算出各个高斯分量的自适应的学习率以加速算法的收敛并保持模型的稳定,与传统的GMM算法相比,论文提出的方法对于复杂场景具有更好的鲁棒性和较快的收敛速度。(2)论文对目标检测和跟踪系统中的阴影检测及抑制问题进行了研究,分析了运动目标投射阴影的光学特性,据此建立相应的阴影模型。在论文中,首先通过自适应混合高斯模型运动检测到运动区域的像素集,然后顺序地依据阴影的亮度、色度、纹理特性,在混合高斯模型检测到的运动区域中,逐次地分割出阴影区域。(3)粒子的退化和贫化是序贯重要性重采样的粒子滤波算法难以避免的问题,大量的退化粒子将严重影响粒子滤波算法的跟踪精度,而为保证跟踪的精度,传统的粒子滤波算法需要大量的样本来描述状态变量的后验概率分布。论文研究了基于智能优化的粒子滤波算法,分别将微粒群算法和蚁群算法嵌入粒子滤波算法框架中,对状态预测后粒子在状态空间中的分布进行优化,驱使粒子向高似然区域移动,两种算法均能够解决粒子的退化和贫化问题。论文还提出了一种基于跟踪精度对动态方程中的噪声方差自适应的粒子滤波跟踪算法。以上提出的方法提高了在复杂环境跟踪算法的准确性和鲁棒性。(4)针对复杂环境下的视频跟踪问题,提出了一种自适应的多信息融合跟踪算法。论文注意到不同的特征对目标具有不同的辨别能力,算法根据不同特征对目标的辨别能力自适应地调节特征信息在融合过程中的权值,以实现多种信息的自适应融合。克服了利用单一信息跟踪容易发生的跟踪不稳定的问题,提高了跟踪算法辨别目标的能力,使得在复杂场景下的跟踪更精确和稳定。