视频监控系统是安全防范体系中的一个核心子系统，它用监控设备获取视频帧，然后利用模式识别、计算机视觉等技术对这些视频帧进行处理，从而达到检测和跟踪的目的。但是由于外界环境的干扰和目标姿态的变化，在对运动目标进行检测和跟踪时仍有很多困难。本文首先以监控视频中的运动车辆为对象，提出了基于骨架角点检测的分割方法来缓解运动目标检测过程中存在的粘连问题，然后对压缩跟踪算法中存在的一些缺陷提出相应的改进措施。
　　大多情况下，由摄像头获取的监控视频中的车辆会相互遮挡；另外，在对二值化的前景图像进行必要的腐蚀膨胀操作时，会使车外轮廓扩张进而导致相距较近的两辆车发生粘连。上述两个问题会对车辆跟踪和车流量检测等产生严重影响。为解决此问题，提出了基于骨架角点检测的分割方法，利用“火烧法”提取粘连车辆区域的骨架，并对骨架进行角点检测，然后用 K均值聚类方法对角点聚类，由聚类结果得出粘连车辆的分割线，实验结果表明，该算法可以在一定程度上缓解分割过分问题，并且能缩短分割时间。接着，在该算法的基础上提出了轮廓角点法，更进一步缩短了分割时间。
　　在利用检测结果对特定目标进行跟踪时，本文针对压缩跟踪算法中存在的缺陷：只在灰度图像上提取特征、目标加速时容易跟踪丢失，提出一种基于多通道Haar-like特征的压缩跟踪算法（compressive tracking based on multi-channel Haar-like feature），简称为 MCCT算法，利用在彩色图像的三通道上提取特征和目标预测的方法来缓解压缩跟踪算法中的上述缺陷。用大量公共数据集进行了实验，实验结果表明，与实时压缩跟踪算法和其改进算法以及其他算法相比，该算法降低了目标中心位置平均误差，并且在目标存在光照变化、相机抖动、速度增加的情况下，均能取得较好的跟踪效果。