运动目标检测与跟踪作为计算机视觉领域的重点研究课题之一,在智能监控、医疗诊断、军事制导、人机交互、无人驾驶等领域有着重要的应用价值,其应用场景也逐渐从静态场景转向动态场景,动态场景的复杂特性给运动目标检测与跟踪带来了巨大挑战。本文分别针对静态场景和动态场景下的运动目标检测以及跟踪算法进行了相关研究,论文的主要研究工作如下:(1)针对视觉背景提取算法在目标检测过程中存在鬼影且易受动态背景的干扰等问题,提出了一种基于多尺度空间的视觉背景提取算法。在背景模型初始化之前,先对图像序列进行二级金字塔变换,从而得到三种不同分辨率的图像,然后以不同分辨率进行目标检测并融合检测结果;在鬼影的问题上,本文结合帧间信息,加入二次判断策略,加快鬼影的消除;最后提出了一种背景复杂度量,根据背景的复杂程度自适应地调整距离阈值。(2)针对移动背景下运动目标难以检测的问题,提出了一种基于背景补偿的运动目标检测方法。为了提高背景补偿的准确性,选取基于加速鲁棒特征匹配的背景补偿算法;在特征匹配过程中,采用基于欧式距离的双向匹配来减少误匹配;在参数估计时,为了提高参数估计的准确性,采用顺序一致性算法和最小二乘法相结合来求解仿射运动参数,完成背景运动补偿;最后采用视觉背景提取算法对目标进行检测。(3)针对背景感知相关滤波跟踪算法存在因光照变化、遮挡、背景干扰等情况而导致跟踪失败的问题,提出了一种自适应特征融合的相关滤波跟踪算法。算法在分类器学习中引入历史模型,可以自适应地平衡积极和被动模型学习,从而在外观变化较大的情况下可以有更健壮的模型;在训练阶段分别提取目标的方向梯度直方图和颜色属性特征进行自适应特征融合,提高目标的特征分辨力;最后,采用了一种自适应的模型更新策略,根据跟踪置信度比的高低来决定是否更新跟踪模型,避免目标模型被污染,同时提高算法速度。