视频图像中运动目标的前景提取方法与运动目标的跟踪算法一直以来都是计算机视觉领域的重要研究内容，其在智能交通监管、视频安全监控、导航等多方面都有着重要实用价值。在智能视频监控处理中，前景提取毫无疑问是信息提取的关键一环，它的任务是在视频中提取出所需的全部真实运动目标并且剔除各种因其它原因而误入的噪声干扰及虚假目标，显而易见，这一步将是后续目标的识别、跟踪以及行为分析的前提。第三章中简要介绍了目前常用的三大类前景提取方法：光流法、背景减除法和帧差法。并结合这些算法的各自优劣，提出了改进的基于动态混合高斯数目的背景建模算法。传统的混合高斯模型是背景减除法中常用的背景建模算法，其所取的高斯分布数K，一般为为3～5之间的一个固定值。可是在实际数字图像处理的应用场景中，K为固定值的混合高斯模型往往效果不佳。本文提出的动态混合高斯数目背景建模算法能根据场景图像的实时区域变化状况，自发动态地调整高斯分布数目，从而较好的提高背景提取效果以及算法效率。视频图像前景提取成功之后，昭示着被跟踪目标在视频连续帧序列中已被检测出，因此第四章开始介绍了传统的基于核函数的Mean-shift目标跟踪算法原理，并且基于Mean-shift跟踪算法，对第三章中改进背景建模算法提取的前景进行跟踪，由实验结果可知，传统的固定核窗宽Mean-shift跟踪算法，在被跟踪目标尺寸不发生刚性尺寸变化时，效果较佳。然而对于一些较复杂场景，例如不断增大尺寸的刚性目标的跟踪，被跟踪目标由于远近距离而产生的视觉大小尺寸变化时，很容易导致跟踪失败。因此本文第五章提出了一种较为新颖的核窗宽自动选取算法，用来应对这种被跟踪目标是不断增大尺寸的刚性目标的复杂跟踪场景。该方法利用仿射模型、后向跟踪-形心配准以及特征点的匹配与回归数学方法，实现自适应带宽的Mean-shift跟踪算法，成功的跟踪了不断增大尺寸的刚性目标，实验效果较之传统的Mean-shift算法有了较显著的提高。