运动目标检测与跟踪是机器视觉领域的重要研究方向之一,它是智能交通、人机交互、视觉导航和智能监控等工程应用中的基础和关键技术,其在技术上主要涉及到数字图像处理、机器视觉、模式识别和人工智能等诸多领域,因此具有很强的理论研究和工程应用价值。本文针对视频图像中的运动目标检测与跟踪算法展开研究,主要研究内容如下:1.在运动目标检测方面:分析总结了混合高斯模型、非参数核密度方法的特点及其适用范围,提出了一种基于时空熵分析的核密度估计方法。该方法根据场景的像素动态复杂度计算场景的时空熵模型,然后按照熵值图将场景分割为稳定区域和动态区域,最后在各自区域采用不同数量的样本进行估计以达到检测效果和算法效率的平衡。实验结果表明该方法能有效分割运动目标,具有较强的稳定性和鲁棒性,并且具备更快的背景模型更新速度。2.在目标跟踪方面:首先对基于压缩感知的跟踪方法展开了分析,针对该方法由于特征单一易导致跟踪不稳定的问题,提出了一种自适应特征融合的改进方法,并用实验结果予以了验证,同时,针对特征分类能力不稳定的问题,提出了一种基于在线特征选择的压缩跟踪方法,通过引入特征选择机制来挑选最优特征,该特征选择机制从特征池中挑选出能有效区分正负样本的特征。改进后的方法能改善由于特征分类能力不稳定而引起的跟踪漂移等问题,同时选择性的更新机制能有效地处理部分遮挡问题。大量实验结果表明本文算法能提高跟踪精度和稳定性。3.基于上述跟踪算法的研究成果,结合项目需求设计了一套疲劳状态监测系统。该系统基于人脸跟踪算法实时跟踪定位脸部位置,并在人脸范围内检测眼睛的位置,进而通过分析眼睛的闭合程度来判断人脸的疲劳状态。软件测试结果表明该系统能实现疲劳状态监测的功能需求,并具备良好的准确性和鲁棒性。