视频监控中的人体检测与跟踪技术是当前计算机视觉和模式识别领域的一个重要研究方向。由于公共场所中对安全智能监控系统的要求越来越高,多家知名公司和科研机构对此都投入了大量人力财力,可以预测此课题在未来研究领域中将有广阔的前景并能带来巨大的社会效益。针对公共场所中的摄像机网络,本文构建了一个基于视频序列的运动人体检测与跟踪系统,包含了四个方面的内容:运动目标检测,单目摄像机内的人体跟踪,人脸检测和摄像机网络中的人体跟踪。首先是利用运动信息检测出运动的前景区域,然后对单个摄像机采集的视频序列的前景目标区域进行跟踪,为了判定所跟踪的区域是否为人体,对已跟踪的目标序列进行人脸检测,如果能够检测到人脸,则将该目标判定为人体,同时人脸检测还确定了人脸识别所需要的区域,最后对多个摄像机中检测到的人体和人脸区域进行信息融合,实现摄像机网络中的人体跟踪。在运动目标检测中,研究了静态和动态两种场景下的背景消减算法。室内环境(静态场景)下采用单高斯模型,而室外环境(动态场景)下采用混合高斯模型,有效地完成运动目标的检测任务,同时利用失真模型解决了运动阴影问题。针对单目摄像机,比较了三种流行的目标跟踪算法:基于连通区域、基于Mean Shift和基于粒子滤波器的跟踪算法,最后提出了一种融合三种算法优点的算法。在没有遮挡的时候,采用快速的基于连通区域的算法;而存在遮挡时,采用融合Mean Shift的粒子滤波器算法,即在粒子滤波器框架下,对每个粒子采用Mean Shift算法进行跟踪,这样大大减少了处理的时间,同时提高了跟踪的精度。为了判定所跟踪目标是否为人体,同时定位人脸识别所需的人脸区域,研究了人脸检测算法。不同于传统的人脸检测,本文针对视频监控中人体图像分辨率较低的特点,采用了人体上半身的局部信息(人脸区域、人的肩部、头部)进行检测的方法。提取上半身的Harr特征,利用Adaboost算法完成训练和检测。本文将摄像机网络中的人体跟踪问题简化为人体的识别问题。视频监控中的人体图像较为模糊,使得流行的识别算法性能会大大下降,本文提出一种新的算法,首先,提取人脸的Gabor特征和衣服的颜色直方图,然后计算目标和候选的相似度,通过SVM融合两种特征的相似度,最终实现对人体的识别。实验结果表明,本文提出的框架可以有效地完成人体的检测与跟踪任务。