运动目标检测和跟踪作为计算机视觉领域的研究热点之一,广泛应用于智能视频监控、人机交互、视频会议等领域。运动目标检测与跟踪的主要目的是利用计算机模拟人类视觉感知功能,从而实现从序列图像中发现目标、跟踪目标,并对目标的行为进行识别和理解。本文对运动目标检测和跟踪的关键技术进行研究。主要工作和贡献如下:1.提出了一种基于背景差分的目标检测算法。通过多个高斯模型对背景建模,然后采用背景差分取得前景。再将它与帧间差分法提取的前景做或运算。最后对前景图像进行形态学处理,连通域分割,取得完整的目标。实验结果表明算法的有效性。2.提出了一种将改进的Mean Shift算法与卡尔曼滤波相结合的目标跟踪算法。由于运动目标颜色与背景容易产生混淆,导致Mean Shift算法无法正常工作。本文采用边缘方向直方图作为运动目标的特征来实现Mean Shift。当运动目标没有被遮挡时,以卡尔曼滤波的预测结果作为改进的Mean Shift算法的跟踪起点,在准确地跟踪运动目标的同时,又能够有效的减少改进的Mean Shift算法的迭代次数,提高整个跟踪过程的速度。当目标被遮挡时,则仅仅采用卡尔曼滤波的预测结果作为运动目标的位置,而不运行改进的Mean Shift算法。这样,不仅可以有效克服Mean Shift算法不能处理遮挡问题,同时能够提高跟踪的速度。实验结果表明新算法具有更好的跟踪结果,以及更高的效率。3.提出了一种多特征融合的粒子滤波跟踪算法。由于单一特征在复杂场景下描述目标不够充分、跟踪目标不够稳定的缺点,本章引入了颜色特征和SIFT联合来对目标建模,通过融合策略将两种信息融入粒子滤波框架,使得跟踪算法能够根据当前跟踪情况自适应地调整两种信息的权重,提高算法的鲁棒性。实验结果表明,该算法在目标尺度变化,遮挡等情形下都能成功跟踪目标。