机器视觉是涉及计算机科学、图像处理、模式识别、人工智能等技术的综合学科,目标识别与跟踪是其中关键技术之一,目标识别与跟踪技术被广泛应用到军事、医学、交通、工业等领域,并已成为目前各国的研究热点。传统的视频监控技术虽然应用广泛,但其缺乏智能性、应用效率较低。本文将机器视觉中的目标识别与跟踪技术应用到对室内人体的视频监控中,使其具有自动获取信息、对信息进行自我分析与处理的能力,实现监控系统的智能性。人体运动目标识别与跟踪在实际应用中存在一些难点,本文主要对图像分割技术、目标检测和目标跟踪技术进行研究。目标识别与跟踪技术中,由物体所形成的图像序列可分为两种情况:静态背景和动态背景。本文考虑室内运动空间的局限性,CCD传感器较少存在视景死角的特点,主要研究静态背景下的人体目标识别与跟踪。文中首先对图像熵阈值分割技术进行了研究,其中Tsallis熵具有非广延性,其用于图像分割取得了比Shannon熵好的分割效果。但传统Tsallis熵分割主要基于点的分割,其不足处在于忽略边界区域的信息,文中为消除忽略边界区域信息给图像分割带来的不足,在二维Tsallis交叉熵基础上提出了二维Tsallis交叉熵直线型分割方法,并将聚类小生境粒子群算法应用于最佳二维阈值的搜索当中,所得阈值较为理想,实验表明此方法取得了比传统Tsallis熵分割法较好的分割效果。将阂值分割技术用于人体检测,经过实验发现因其算法复杂实时性较差,人体灰度与背景灰度相近,很难将人体区域单独分割出来。因此文中对普遍应用的帧间差分法、背景差分法进行了研究,结合两者优点,提出一种两者算法相结合的改进型算法,结合本文改进的基于灰度与色彩不变性阴影去除算法、去噪算法,实验结果表明能将运动人体区域有效的提取出来。在运动目标跟踪方面,文中对目标跟踪方法进行分类总结,研究分析应用效果较好的MeanShift算法,将其与目标区域灰度直方图相结合,并编程实现算法。系统采用面向对象的编程方式,整合各个算法,从最后的仿真实验效果中得出系统能够较好实现对室内运动人体的检测与跟踪。