目前,随着智能算法的不断发展,智能交通监控系统已日渐引起了人们的关注,但该技术目前尚未发展成熟,离完全智能化的水平还有很长一段距离,但人们热切地希望智能交通技术可以为各个城市营造畅通而有序的交通环境,并能减少交通事故的发生。作为智能交通监控系统的前提和基础,运动目标检测与跟踪成为了学术界的研究热点。因此,本文就视频序列中运动目标检测与跟踪的相关技术进行了学习,并在目标检测方面展开了较为深入的研究工作。由于经典的背景差分法受背景建模及背景更新速率和准确度的影响较大,因此本文在背景建模和背景更新方面作了较为深入地学习和研究。首先,对于背景建模,提出了一种基于区间分布密度的背景建模方法,该方法主要基于灰度值归类思想,首先对背景训练序列中当前像素点在不同时刻的所有灰度值进行归类,然后通过计算区间密度来选择背景子类,进行背景建模。实验结果表明,该方法的建模结果逼真,实时性好,且对道路环境具有较好的适应性;其次,对于背景更新,提出了一种在前景中完成背景重建的方法,首先提取运动目标掩码,然后通过该掩码将前景中的动态区域用初始化背景图像中相应的模块去填充,完成背景图像的重建,该方法的更新速率较高,且不易受到背景中树叶晃动等干扰因素的影响,为后续的目标检测奠定了良好的基础。针对经典的帧差法提取到的目标内部容易出现空洞的缺点,文中提出了一种基于八方向平移法的运动目标边缘检测方法,该方法可以直接提取到前景中动态目标的边缘图像而不受背景物体的干扰;然后将其与多帧差分法相结合进行运动目标检测。实验结果表明,该方法不但克服了帧差法容易出现空洞的缺点,还具有无需进行背景建模及更新的优点,实时性好,检测结果的准确率较高。在目标跟踪中,由于Camshift算法是基于单纯的颜色特征进行目标匹配的,因此错误跟踪和跟踪丢失的几率较大;而Kalman滤波算法具有预测未来几帧内目标位置的能力,因此,文中采用了将两种算法相结合进行目标跟踪的方法,实验结果表明,结合后的算法比单一算法更加稳定可靠,且不易发生跟踪丢失及错误跟踪的问题。