随着现代技术的发展,基于计算机视觉的智能化视频监控技术代表着视频监控系统的主要发展方向。在智能化视频监控系统中,需要解决运动目标检测、目标跟踪以及目标行为理解与分析等关键技术问题。其中,运动目标检测与跟踪处于视频监控系统应用最底层,是目标行为理解与分析的基础。因此,本文开展对视频监控中运动目标检测与跟踪算法的研究具有重要意义。本文基于静态场景下对单运动目标检测与跟踪算法进行研究,在分析现有研究成果的基础上,提出了将GM(1,1)预测模型结合到目标检测与跟踪中的改进算法。主要研究成果如下:在运动目标检测方面,采取以背景差分为主体、融合边缘检测的目标检测算法。提出了一种基于GM(1,1)预测模型的图像边缘检测改进方法,利用该方法检测背景差分图像的边缘。背景差分图像的灰度值往往呈现多峰性,而该方法很好地避免了阈值分割带来的不确定性,能够有效地检测出人脸目标。在运动目标跟踪方面,本文重点分析探讨了核密度估计方法与Mean Shift算法原理,然后在此基础之上提出两种方法:基于Mean Shift算法与GM(1,1)预测模型的目标跟踪算法以及基于多特征空间与灰预测的Mean Shift目标跟踪算法。该两种方法都引入了普通遮挡与相似遮挡的判断和处理机制,对部分遮挡与全部遮挡情况下的目标跟踪都具备较强的适应性。GM(1,1)预测模型预测目标在当前帧的可能位置,Mean Shift算法在该位置邻域内搜索,这样可以降低Mean Shift算法迭代搜索次数,而且能很好地处理短时间内的遮挡。本文通过人脸跟踪实验验证了第一种算法的可行性,实验结果表明该算法明显优于传统Mean Shift算法。本文将第二种算法应用于复杂背景下的人体跟踪,针对单一颜色直方图的局限性,使用颜色直方图与梯度方向直方图加权的思想来描述目标模型,充分利用了目标的空间信息。同时,该算法优化GM(1,1)预测模型的背景值,提高了预测精度。实验结果表明,该改进算法能够很好的适应复杂背景下运动目标跟踪。