视频中运动目标跟踪的研究是计算机视觉领域的一个重要课题,受到国内外学者的普遍关注。它在导弹视觉制导,机器人与无人机自主导航,军事目标的定位跟踪与识别,汽车自动驾驶,安全监控,智能交通,虚拟现实等方面有广阔的应用前景。在现实中,由于各种干扰的存在增加了视频目标检测和跟踪的难度。视频中目标的检测是目标跟踪的基础,检测效果的不好则会给跟踪带来很大的影响。由于光照,遮挡,摄像机传感器带来的各种噪声使得目标检测变得很复杂,尤其是当摄像机运动时,背景和前景都随之运动,更不好区分前景和背景。本论文采取了一种基于运动补偿与自适应背景更新来检测动态场景中的运动目标。先计算前后两帧之间的金字塔光流场,光流场数据里既含有目标和背景的光流值也含有噪声的光流。由于事先不知道有多少个目标,也无法预测干扰所带来的噪声,因此就不能用类数目固定的k均值聚类。本论文采用了一种叫做leader-follow的在线聚类算法,该算法能根据输入数据自适应的进行分类,而无需事先知道要分成多少类。把背景的光流值的分离出来以后就得到了运动补偿值,运用此补偿值补偿上一帧图像,然后前一帧图像和当前帧图像的背景对齐了,这样就可以使用应用在静态场景中的背景更新方法来得到了动态场景的背景和前景了。在目标跟踪领域,一般都从贝叶斯递归的角度来看目标跟踪问题,即根据一系列的观测结果来对某目标的状态进行估计。由于目标运动无规律难于用数学公式描述,而粒子滤波不需要事先对状态转移做任何假设,因此很多本领域的学者都把它拿来研究以用于目标跟踪。普通粒子滤波的粒子退化问题严重地限制了其基本方法的发展。MCMC作为粒子滤波器的一种它可以有效地解决上述的粒子退化问题正引起人们的关注。针对多目标的跟踪普通MCMC是无法应对的,因为当目标进出场景会引起解的状态变量空间变化,而RJ-MCMC则能有效应对此种情况。针对动态场景的多目标跟踪,本文提出了一种基于二次观测模型的RJ-MCMC粒子滤波方法第一次观测通过运动补偿值对运动模型实时修正使其逼近真实的运动方程,第二次观测即是RJ-MCMC粒子滤波步骤。时变的运动模型可以有效提高RJ-MCMC方法的效率,减少其无效的粒子点数,使其能更加快速地收敛到真实值。为了对特征不明显或目标区域过小的目标进行跟踪,在系统的观测模型中本论文提出了基于颜色直方图与前景匹配结合的观测模型。此观测模型有效的应用了前景检测器中的前景信息。实验表明它可以有效地跟踪特征不明显或目标区域过小的目标。