在现代社中,安全问题越来越受人们关注,而视频监控成为保障国家、社会、人民群众生命财产安全的最重要的技术手段。它也是目前计算机视觉与模式识别领域里的研究热点之一。视频监控主要包含运动物体检测、目标分类、目标跟踪、目标识别、行为分析等诸多课题。在这些运动目标中我们最为关注的是人体。本文从视频监控的理论出发,对前人提出一些关于人体检测与跟踪当中一些的算法进行分类研究,并在此基础上实现算法的应用并提出了改进。本文的主要工作有如下两个方面：1、本文在人体检测方面,提出一种改进型的LBP特征去除阴影算法。由于在人体检测时会受到光照、阴影等环境影响,特别是阴影,由于阴影和运动人体具有相似的运动特性,所以很多视频监控中运动目标检测算法把阴影也分割为运动目标的一部分或另一个新目标,这就对后续操作造成影响,本文提出以改进型的LBP特征去除运动阴影。其主要内容是：在LBP基础上,运用一种改进的局部三值模式(LTP)纹理特征提取方法,并把这种提取方法运用到运动阴影去除中。该方法首先利用自适应高斯混合模型进行背景建模,得到背景和含有阴影的前景目标；并用亮度属性得到疑似阴影分块,然后再把疑似阴影区域和已获取背景相应位置的LTP纹理相似性进行判断；最后得到准确的阴影区域并实现阴影去除。实验结果表明,该算法能够很好地抑制分割噪声,准确地去除运动阴影,具有较好的实验效果。2、在人体跟踪方面,对Mean Shift算法的基本原理及Mean Shift在跟踪中应用作了详细的介绍；在深入研究了Mean Shift算法后发现,该方法在对快速目标跟踪会出现运动目标的丢失,在环境复杂的情况下,会出现跟踪定位的错误。面对以上缺陷,本文综合Mean Shift和Kalman算法进行目标的跟踪,通过使用运动目标的已知信息,即目标运动信息和空间色彩信息。其具体过程是利用Kalman滤波器进行运动人体可能位置的预测,并一这个位置为新起点,再应用Mean Shift算法搜索最佳匹配位置。该结合算法能够准确的跟踪人体目标,在干扰和快速运动上都有很好的处理,在跟踪实验中有比较好跟踪结果。本文提出的以上两个方法,其实验平台都是基于OpenCv进行开发与验证,所做实验数据都取得了比较好的结果,也验证了所用方法的有效性和正确性。