视频中运动目标的检测与跟踪技术是计算机视觉的重要研究内容之一,它将图像处理、模式识别、自动控制、人工智能等许多计算机领域的先进技术结合在一起,并广泛应用于智能监控、交通管制、机器智能、医疗诊断等各个领域。随着各种复杂环境应用需求的日益增多,如何提高运动目标检测与跟踪算法的鲁棒性和精确度已经成为当前目标跟踪领域研究的重点。本文在研究了常用的运动目标检测与跟踪算法的基础上,对这些算法做了进一步的改进和完善。在运动目标检测方面,介绍了光流法、帧间差分法和背景差分法的基本原理。为了克服传统的背景差分法需要预先存储背景图像的局限性,研究了一种结合帧间差分法和背景差分法的运动目标检测方法。首先利用帧间差分法和中值滤波法动态地构建背景模型,再通过背景差分法检测出前景目标。实验结果表明,该方法在场景中存在运动目标时也能建立较为准确的背景模型,获得了较好的检测结果。在运动目标跟踪方面,本文首先重点研究了基于Camshift算法的运动目标跟踪。详细阐述了Mean Shift与Camshift算法的基本原理,并将这两种算法应用于视频序列中的人体跟踪。通过实验发现,当跟踪目标与背景颜色相近时,Camshift算法容易受到背景特征的干扰而导致跟踪不稳定甚至丢失目标。针对此问题,本文利用局部二值模式(LBP)纹理与Cb、Cr颜色分量,建立了跟踪目标的颜色-纹理联合直方图模型,提出了一种基于颜色-纹理联合特征的Camshift跟踪算法。对比实验结果表明,在强背景干扰下,改进后的算法依然能够准确地跟踪目标,跟踪性能比传统的Camshift算法有明显提高。本文还研究了基于运动估计的卡尔曼滤波跟踪算法,并将其应用于视频中的运动目标跟踪,取得了较好的跟踪结果。然后针对快速运动目标的跟踪问题,研究了将卡尔曼滤波与Camshift算法相结合的目标跟踪算法。实验结果表明两者结合的算法既缩短了搜索匹配的时间,又提高了跟踪精度。