视频目标检测和跟踪是计算机视觉领域的重要研究内容，也是智能视频监控、机器人导航、智能交通以及精确制导等领域的关键应用技术。该研究需要涉及多个理论学科，如：模式识别、数字图像处理、概率论与数理统计、最优化理论等。视频目标检测与跟踪已广泛而有效地应用于许多领域，如：智能交通管理、智能安全监控、遥感信息处理、智能机器人等。基于视频的车辆检测与跟踪是智能交通系统的重要研究课题之一。通过对交通监控视频的运动目标进行分析处理，实时地获得通行车辆的车速、车流量以及道路拥堵情况等道路交通信息，可以为智能交通系统实施交通调度及动态规划时提供信息参考。测速雷达、环形检测线圈、超声波检测器等设备通常是传统交通信息检测所采用的手段，不仅安装、维护比较困难，而且检测精度不高，检测范围也不大，与此同时，获得的交通信息可靠性也得不到保证。基于视频的图像信息处理，以视频采集设备获取视频图像并经过相关处理获取道路交通信息，它将数字图像处理、计算机视觉、信号与信息处理等多个领域内的技术融合在一起。视频图像处理能够获取场景内每个运动目标的行为特征信息，从而获得广域场景下全面直观的交通信息，具备可视化、智能化、可再现的特点，具有传统检测方式无法比拟的优势。针对背景差分法当中背景的建立，提出了一种基于改进的Burendra算法的运动目标检测方法。首先，分析了常用背景建模算法的基本原理，如W4法、混合高斯模型法、统计平均法，对这些算法的特点进行了比较。统计平均法建立起来的背景图像精确度不高,不能实时更新，传统的Burendra背景更新算法由于算法中亮度阈值T是个固定值，需要人工干预，导致其对于光线变化等复杂的环境不太适用。提出基于改进的Burendra算法的背景建模方法。实验表明，该方法能精确地检测出视频图像中的运动目标，能及时应对场景中光线亮度的变化和背景的变化，具有较好的实时性和鲁棒性。视频目标跟踪就是获得运动目标在图像中的位置信息，最终得到目标的运动轨迹。常用运动目标跟踪方法有Mean-shift跟踪算法、Kalman滤波跟踪算法和标准粒子滤波跟踪算法。Mean-shift跟踪算法计算量不大，运算速度较快，采用加权直方图建模，对目标轻微变形、和部分遮挡不敏感，但是搜索窗的带宽保持不变，缺乏必要的模板更新，运动目标较快时，跟踪效果不好；Kalman滤波跟踪算法能够同时适用平稳和非平稳随机过程，数据存储量小，但是不能应用于非线性、非高斯系统；标准粒子滤波跟踪算法能够应用于非线性、非高斯系统，但是采样的有效性较差及易受干扰影响，且不能实时更新。扩展卡尔曼滤波(EKF)同时解决了Meanshift算法没有必要的模板更新的缺点及标准粒子滤波算法中粒子存在的退化现象，同时粒子滤波器能够解决Kalman滤波算法不能应用于非线性、非高斯系统的问题，因此，基于EKF预测采样的粒子滤波跟踪算法能够很好的解决上述算法所存在的各种问题。首先，分析了标准粒子滤波算法的基本原理，而标准粒子滤波算法存在粒子退化现象，然后为了解决标准粒子滤波算法存在的粒子退化现象，研究并采用了EKF预测采样的算法。实验表明，该方法能有效地解决标准粒子算法中存在的退化现象问题，同时能够对运动车辆进行稳定、准确性地跟踪。近年来，智能交通系统发展迅速，交通监测系统是智能交通系统的重要环节，由车辆检测和车辆跟踪的结果可以分析提取出道路交通信息参数，如车速、车流量、车型等信息。运动目标的检测和跟踪在智能交通系统中得到了广泛的应用。仿真表明，提出的算法能够准确的检测和跟踪交通监控视频中的车辆，具有很好的应用前景和实用价值。