由于计算机技术、图像处理、人工智能、计算机视觉等科学研究的深入,智能监控越发受到研究人员的关注。运动目标检测与跟踪是智能监控的基础,从背景中快速准确地提取出运动目标并进行准确跟踪是本研究的目的。目标检测算法对复杂背景的稳定性以及目标跟踪算法同时保持准确性和实时性成为研究课题。本文以固定场景中运动目标为研究对象,研究了运动目标的检测与跟踪,主要工作以及研究结果如下:本文首先介绍了几种视频中运动目标的检测方法和图像数学形态学处理方法。对数学形态学后处理过程中结构元素大小的选取进行了讨论,并对比几种运动目标检测方法的算法实时性和准确性。基于对比结果,综合高斯混合模型背景建模法和帧差分法的优点,规避各自的缺点,给出了一种基于渐消特征描述子的高斯混合模型算法。该算法围绕高斯混合模型进行改进,通过对单帧图像进行特征描述,确定帧图像的复杂性,经过非极大抑制后,引入掩模思想建立像素点之间的空间相关性,采用具有渐消因子的特征描述子解决像素点的时间相关性问题,使得改进的高斯混合模型算法能够根据场景复杂度自适应调节模型个数。随后与帧差分法相结合,根据场景的稳定度合理降低模型个数,减少计算冗余。其次,概述了贝叶斯框架下的最优估计方法。计算机视觉跟踪可以理解为对后验概率进行求解,基于贝叶斯框架的KF、UKF及IMM能够求解后验概率,从而实现基于运动估计的目标跟踪。对比了KF、UKF和IMM的跟踪性能,针对运动目标非线性和运动模型误差问题,尝试使用UKF解决目标方程非线性问题、使用IMM解决运动模型误差问题,保证对视频目标跟踪的精度。随后对IMM模型集选取进行了讨论。最后,介绍了两种常用的自适应采样周期算法,基于自适应采样周期算法,针对视频目标位置近似过程中过多舍弃有用信息的问题,研究了一种使用运动目标面积变化率和位置预测协方差共同表征目标机动特征的方法。使用运动目标面积变化率表征非刚体目标的运动姿态变化,降低单独依靠滤波残差调整采样周期产生的滞后性问题。并通过比较分析残差,选用计算量更小、对模型误差更灵敏的预测残差作为目标非机动状态下采样周期的调节依据。仿真实验表明在确保所需跟踪精度的条件下,降低了平均采样周期,节省了系统资源。