运动目标检测与跟踪是计算机视觉领域里的一个重要的研究课题,在高级人机交互,视频会议,自动化工业,安全监控和图像检索方面有着广阔的应用背景和潜在的经济价值。在目标检测中存在场景动态变化、光照变化等问题,而在目标跟踪中则存在目标的遮挡或重叠以及目标关联等问题,本文针对目标检测与跟踪领域里存在的这些问题,提出了一些改进算法,包括基于改进K均值的运动目标检测算法、改进的SOBS运动目标检测算法以及基于颜色相关图和数据关联的多目标跟踪算法。 　　1)基于改进K均值的运动目标检测算法 　　针对运动目标检测过程中场景变化以及光照变化等问题,提出了基于改进K均值的运动目标检测算法。该算法在HSV颜色空间对视频流的前N帧中的每个像素样本进行K均值聚类学习,K均值聚类的结果用来表示该像素的背景模型；接着输入的视频流像素与背景模型比较,进行背景、可能前景和阴影的分离,并提出了一种像素相关的选择性背景更新机制；然后利用TOM(Time Out Map)方法来消除鬼影现象。 　　2)改进的SOBS运动目标检测算法 　　原始的SOBS算法其像素间的差异是通过像素在HSV空间的欧式距离来度量,这种度量方式不能很好利用HSV颜色空间的特点,而且亮度的变化也会导致像素间较大差异变化,出现误检；另外,当在背景建模阶段有运动目标存在时,算法不能进行很好的处理,将会出现鬼影现象,并且算法只考虑了背景、前景和阴影3种情况,在实际情况中,对于一些反光物体,可能会出现高光的情况,算法会将高光误检为前景。针对这些不足,本文提出了改进的SOBS运动目标检测算法。该算法先将捕获的视频帧转换到HSV颜色空间,在背景建模阶段,采用类似自组织人工神经网络的方法将HSV分量映射到一个2D神经元网格中；然后用HS分量计算的色度差和TOM(Time Out Map)方法来提取真实的运动前景,并结合色度差与亮度差检测并去除阴影和高光,采用一种考虑了空间关系的方法对背景进行动态地更新。 　　3)基于颜色自相关图和数据关联的多目标跟踪算法 　　针对多目标跟踪过程中多目标重合或遮挡后,目标分离时跟踪丢失或匹配出错,本文提出了基于颜色自相关图和数据关联的多目标跟踪算法。该算法首先通过计算跟踪块与候选快的距离矩阵和颜色自相关图特征,然后通过数据关联进行目标匹配,实现多目标的跟踪。 　　在Visual Studio 2008和计算机视觉库Opencv2.X环境下,通过大量对比实验和分析,验证了本文提出算法的有效性,并具有较好的实际应用前景。