智能视频监控在近些年逐渐成为了多媒体技术领域的热点研究方向,该项技术融合了图像处理、人工智能、行为分析、形态学处理等多个领域的相关知识,目的是实现对监控视频中有效信息的采集、提取、理解及分析。目前,智能视频监控技术被广泛地应用于交通管制、公共安保、案件侦查、军事国防等领域,创造了可观的经济价值。运动目标检测与跟踪是智能视频监控领域的核心技术,其算法的准确性、稳定性、时效性将直接影响智能视频监控系统的性能。虽然目标检测与跟踪算法的研究在最近几年取得了较大进展,但仍存在一些影响算法实用性的问题尚未解决。本文针对部分问题,提出了改进的思路。具体工作总结包括:1)对于运动目标检测算法的研究,提出了一种基于最小误差阈值自适应ViBe改进算法。针对ViBe算法在复杂场景下误检率较高的问题,本文在前景检测过程中根据样本集的方差动态调整了距离判定阈值,有效地提高了前景像素点的检测率。针对Vi Be算法无法快速消除鬼影像素点的问题,本文运用最小误差法求得每帧图像的最佳分割阈值,并利用该阈值对鬼影像素点进行了剔除。针对ViBe算法模型更新速率难以适配不同运动速度前景目标的问题,本文利用图像的梯度信息将模型的更新速率与前景的变化速率进行了匹配。实验表明,本文改进后的算法有效地降低了复杂场景下的误测率,鬼影的抑制速度也得到了明显提升。此外,对于快速运动目标的检测率也显著提高。2)对于运动目标跟踪算法的研究,提出了一种基于运动估计的Camshift改进算法。针对Camshift算法在初始化时容易引入人为误差的问题,本文结合了目标检测算法中背景差分的思想,实现了搜索框的自动初始化。针对Camshift算法在光照条件剧烈变化时容易丢失目标的问题,本文加入了对Hue分量实时判定的策略,实现了颜色概率模型的实时更新。针对目标高速运动或者被短暂遮挡后,Camshift算法会出现跟踪失败的问题,本文结合Kalman滤波算法引入了运动预测机制,在跟踪过程中对目标下一帧可能出现的位置做了预测。实验表明,改进后的Camshift算法在光照骤变的条件下依然能保持良好的跟踪效果。此外,当目标高速运动或者被短暂遮挡时,算法依然可以保持稳定的识别率。