智能视频监控技术是近年来计算机视觉研究领域中新兴的一个研究方向。它的主要研究目标是利用计算机视觉技术、图像视频处理技术和人工智能技术对监控视频的内容进行描述、分析和理解,并能根据分析的结果对视频监控系统进行控制,从而使视频监控系统具有较高层次的智能化水平。它的主要研究内容包括:监控视频运动目标的检测、目标的跟踪、目标的识别和目标的行为分析等。本文致力于智能视频监控中的运动目标检测与跟踪方法研究,主要完成以下几方面的创新性工作:1.提出了基于递归误差补偿的特征背景建模方法来检测运动目标,通过对特征背景建模方法中的重建参考背景图像进行递归误差补偿,来减少前景目标对特征背景模型的影响,从而提高检测率;提出了一种自适应、鲁棒的阈值选择方法,该方法首先利用背景差图像的积累直方图的变化点信息来得到全局阈值,利用背景训练图像局部像素的统计信息来得到局部阈值,综合全局阈值和局部阈值的信息,可以在有效地检测前景目标的同时,大大的降低误检率;根据目标运动的连续性特性,给出了一种快速算法。2.提出了一种自适应子类判别分析(Subclass Discriminative Analy-sis:SDA)颜色空间学习的Mean Shift跟踪算法,在SDA颜色空间中,跟踪目标与其相邻背景之间的区分度能够最大化;提出了一种基于log似然比函数的方法来选择可信的目标像素来在线更新SDA颜色空间,从而减小背景干扰像素对SDA颜色空间更新的影响。3.提出了一种基于多特征信息自适应融合的粒子滤波跟踪算法,该算法基于一种同时考虑目标模型表达能力和目标模型判别能力的自适应融合策略,该策略根据当前跟踪环境自适应调节每个特征信息的权值,各特征信息自适应融合,增加了描述目标观测的可靠性,从而提高目标观测模型的鲁棒性。在跟踪目标时,采用了粒子滤波跟踪算法,将多特征信息自适应融合的观测模型结合到粒子滤波跟踪算法中,实现了较复杂环境下的可视目标跟踪。4.针对复杂背景条件下采用目标的单一核直方图模型往往很难实现对具有多模态外观的目标进行鲁棒的跟踪,提出一种混合核直方图模型来对目标进行建模;基于粒子滤波跟踪框架,给出了一种混合核直方图模型的更新算法。多组试验结果表明所提出的算法在姿态变化、遮挡、以及相似物干扰等复杂情况下均能稳定可靠地跟踪目标,且跟踪结果优于基于单核直方图模型的粒子滤波跟踪算法。