运动行人的检测和跟踪是智能视频监控的关键技术,也正成为计算机视觉领域热点课题之一。在实际的场景中,经常会面临背景复杂、目标间遮挡等问题的干扰,导致效果不尽如人意。因此,本文针对复杂场景下的运动行人检测跟踪,特别是场景中阴影和多目标影响的问题进行了深入研究。　　首先,针对摄像机静止情况下的运动人体目标检测算法进行了介绍和对比。然后基于原始检测方法对去除阴影方面的不足,特别是在多人场景中因为阴影会在检测中产生目标粘连现象误认为一个目标的现象,提出了一种新的背景建模算法,即基于YUV颜色空间的自适应码本建模算法。该算法将像素点信息记为码字形式,通过训练对场景中每个像素点建立一个码本,一个码本中包含一个或者多个码字,然后根据亮度与色度进行是否匹配的判断,如果匹配成功则像素点为背景点,否则说明为前景点。该方法基于阴影只能改变亮度而对色度影响不大的特点,充分利用了YUV颜色空间信息对亮度和色度信息分别进行计算,并且实时进行码本模型更新,较好地克服了光照、噪声和阴影等影响,对场景中多运动行人检测起到了很好作用,并通过实验验证了YUV颜色空间下的这种算法的优越性。　　在检测的基础上,对运动人体的跟踪进行了深入研究,引入了一种新型的基于机器学习的在线Adaboost算法。该算法对目标区域周围的点进行正负样本的标定,并提取样本点的局部方向直方图特征和颜色特征建立特征矩阵,根据标定结果与特征矩阵选取一组弱分类器。在下一帧跟踪中,采用CamShift算法进行目标区域的匹配搜索,对新的区域范围内像素点进行正负样本的重新标定。然后,根据像素点特征矩阵的变化进行分类器的更新或淘汰,使其能够实时反映目标最新特征,解决了复杂场景下人体目标特征变化导致跟踪失败现象。　　但是该算法本身对多目标场景下,特别是其他目标遮挡时,跟踪会导致目标丢失。本文在原有算法中CamShift对目标进行所搜匹配时加入Kalman滤波算法与其进行融合,并对算法在进行目标区域正负样本点标记时进行了细化,提高了在线Adaboost准确率。并在严重遮挡现象发生时,通过遮挡系数对Kalman滤波参数加以调整后进行运动目标的预测跟踪,并通过多组实验进行了讨论和验证。