随着经济的发展,智能视频监控在构建和谐社会与平安城市,保障国家安全与应急救灾等领域有着重要意义。作为智能视频监控系统中的核心技术,运动目标的检测与跟踪是计算机视觉主要研究方向之一,是目标识别与行为理解的基础。运动目标检测和跟踪的最终目的是使计算机视觉能够像人类视觉那样具有目标识别和运动感知的功能。人类视觉对于目标的判断与识别主要是基于边缘轮廓再辅以颜色纹理等特征来进行处理与分析,Konishi曾经指出,不同尺度意义下的边缘特征包含了图像的全部信息。但在目前的运动目标检测和跟踪的相关技术研究中,边缘并没有起到它应有的重要作用。因此,本研究从边缘特征的角度讨论了运动目标检测与跟踪的相关理论,提出了针对传统的Canny与模糊边缘检测算法的三点改进,提出了一种新的基于FBEM模型的运动目标检测方法,对Mean Shift跟踪算法的局限提出了两点改进。这些新方法和改进算法的目的是提高运动目标检测与跟踪的精度并减少算法计算量。　　对Canny算法和模糊边缘算法作出的改进如下:提出了一种自动确定Canny高低阈值的一维熵最大化方法,选择一维熵最大时的阈值作为高阈值,将高阈值的三分之一设定为低阈值,解决了传统Canny边缘检测要求手工设定高低阈值的问题。提出了一种多窗口局部阈值的方法,多窗口局部阈值将一副图像划分为多个小窗口,分别自动计算其最佳阈值,解决了传统Canny边缘检测在图像部分边缘被阴影遮挡时,全局单一的阈值不能正确检测边缘的问题;提出了一种改进的快速模糊边缘算法,使用了一种新的隶属函数,解决了在图像转换时部分低灰度像素被切割为0的问题,使算法的计算消耗时间减少了35％左右。　　提出了一种新的基于FBEM(Foregound/Background Edge Model)的运动目标检测方法。该方法以图像的二值化单像素宽度边缘作为输入,利用背景减除法的思想,构建了二值化边缘的前景背景边缘模型,分离出静态背景和动态前景的边缘图像,补偿了前景与背景边缘交叉点,进行了边缘图像去噪等一系列后处理,得到稳定的目标运动区域,有效检测出运动目标并减少了计算量。　　针对传统的Mean Shift对称核窗口函数包含了部分背景颜色的信息,对跟踪的准确程度产生干扰的问题,提出一种改进的非对称核函数Mean Shift算法。该算法以目标外围轮廓为基础利用Level Set构建核函数,非对称核函数能够完全去除背景颜色信息的干扰,有效提高跟踪的精度。在目标速度较快或前后帧中变化剧烈时,传统的Mean Shift算法需要经过多次迭代才能收敛到目标区域,本研究提出了直接利用当前帧所检测出来的目标中心点位置作为Mean Shift第一次迭代计算中候选目标中心点位置的改进方法。这个改进加快了中心点漂移的速度,经实验证明有效减少了迭代次数。　　为验证本研究算法的有效性,构建了一个实验平台——行人计数实验系统,分析了提高行人车辆计数准确率的技术关键,提出了在出入口和交通道路计数两个应用中设置进出计数线和处理分离融合等方法,结合基于自适应阈值和多窗口的 Canny边缘检测、基于FBEM的运动检测和快速Mean Shift的理论,能够以较高的准确率对出入口、交通道路等地进行行人车辆的计数。实验结果和性能分析证明了基于边缘特征的运动目标检测与跟踪算法提高了检测跟踪的准确率,减少了算法复杂度。