以Google AlphaGo人工智能系统为代表的人工智能研究近年来备受关注,计算机视觉是人工智能研究中非常重要的领域,而目标检测识别与目标跟踪则是计算机视觉领域主要的研究分支之一。本文使用基于全局运动补偿、边缘信息检测和形态学滤波算法来改进传统帧差法,使用这一改进算法进行运动目标检测,同时使用图像信息熵粗匹配和模板精确匹配的二级目标匹配机制进行特定目标匹配,以此构成了针对特定运动目的标检测识别算法。传统的粒子滤波目标跟踪算法面对目标遮挡问题需要大量增加粒子数量和计算量,如果出现长时间遮挡,跟踪效果仍然会显著下降。本文针对上述问题,提出了融合运动状态信息的粒子滤波算法。首先是在算法流程框架层面上使用基于最小二乘法的轨迹预测介入粒子滤波算法,使得改进跟踪算法在应对目标遮挡特别是较长时间遮挡以及背景突变等情况下有更强的鲁棒性。其次是在粒子滤波算法的流程中融合运动状态特征,以基于颜色分布直方图和运动状态的模板集作为目标模型。同时基于此模型和轨迹预测流程改进了相关的状态转移模型、系统观测模型和模型更新策略等关键步骤,使得目标模型更加逼近目标的真实状态,有效应对遮挡、缩放、形变和光照变化等异常情况。上述特定运动目标检测算法和融合运动状态信息的粒子滤波跟踪算法就构成了一个视频目标跟踪算法最主要的两个部分。