随着科学技术的快速发展，计算机视觉的应用范围越来越广，深深地影响人类的生产和生活。目标检测与跟踪是计算机视觉的重要研究课题，其涉及到图像处理、人工智能以及模式识别等诸多领域。在无人驾驶、国防安全、智能视频监控、基于视频的人机交互等领域都有广泛的应用，因此研究此课题很有意义。本文主要对视频图像中运动目标的检测与跟踪技术进行了研究，主要做了如下工作:
　　1.介绍了与本课题相关的图像处理基础。首先介绍了图像处理中常用的三种彩色空间，并且介绍了它们之间的转换方式。然后介绍了四种图像灰度化的方法:单色值法、平均值法、加权平均值法和最大值法;并且演示了用加权平均法对一幅图像灰度化。接着介绍了图像滤波中的两种常用的方法:均值滤波法和中值滤波法，并通过指出各自的优缺点。最后对二值形态学的膨胀、腐蚀、开运算和闭运算作了介绍。
　　2.研究了从视频图像序列中准确地检测出运动目标。这是目标运动估计、目标识别以及行为理解等后续处理成功的关键。为了能准确地检测出运动目标，很多学者提出了大量的运动目标检测算法。本文介绍运动目标检测的一些常用方法，包括光流法、帧间差分法和背景差分法，分析了各种方法，指出了它们的优缺点。本文重点研究了背景差分法，然后介绍了几种常用的减背景法，其中包括统计平均法、中值滤波法、单高斯模型和混合高斯模型，分别介绍了这几种方法的原理和算法的实现过程，通过实验指出各自的优缺点。
　　3.在运动目标跟踪方面，介绍了目标跟踪的一些常用算法，包括基于特征的跟踪算法、基于模型的跟踪算法和基于活动轮廓的跟踪算法，而且对每个算法进行了分析。本文重点研究了mean-shift算法，这一优秀算法具有鲁棒性、实时性和容易实现的特点。传统的基于颜色直方图的mean-shift，由于其采用单一的特征空间，当运动目标部分遮挡或目标旋转的角度过大时，跟踪结果会变得不准确，甚至完全丢失目标。针对此缺点，本文提出了一种基于颜色和纹理模型的跟踪算法。在传统的基于颜色直方图的mean-sfhit算法框架下，使用加权融合运动目标信息的颜色模型和Contourlet变换后的纹理模型，从多角度建立匹配特征。
　　4.最后在嵌入式平台上实现了本文提出的算法。实验表明，颜色和纹理的联合模型模型比单一特征空间的目标模型更具有有效性和鲁棒性，在目标大幅度旋转甚至不可见的情况下可以利用纹理信息准确地跟踪到目标。