运动目标的检测和跟踪,是计算机视觉领域研究的主要内容,到目前为止,国内外对其在低照度环境下的研究还较少,然而因其在全天候实时监控、交通控制、军事等领域中存在着广泛的应用前景,该研究正逐步得到人们的重视,并成为计算机视觉领域一个新的热点研究问题。本文是在摄像机固定的前提下,主要针对室内低照度环境下的视频序列进行研究,其内容主要包括:预处理、增强处理、运动目标的检测和跟踪。在视频序列预处理方面,阐述了低照度环境下信噪比低的原因以及噪声的特性,介绍了目前常用的几种滤波器的基本原理,在空域使用高斯滤波、在时域使用实时自适应帧间滤波的时空结合的滤波算法,通过实验仿真,这种时空结合的滤波算法取得了较好的效果。针对低照度视频图像采用对数处理算法增强时高频噪声也同时被放大的不足,使用多级对数处理算法来增强低照度视频图像,并通过参数来控制各级图像中的高频锐化分量,使得图像的高频噪声放大得到了有效的抑制。为了较好地扩展增强后图像整体灰度级的动态范围,本文采用改进的对比度拉伸算法来进一步提高视频图像的对比度。实验结果表明,采用多级对数增强后再用改进的对比度拉伸算法对低照度视频图像进行处理,能取得较好的增强效果。针对低照度环境下,采用高斯模型方法建立背景模型,仅根据当前帧的掩码来更新背景时准确性差,容易造成背景点误判的缺点,为此依据连续三帧的掩码的总体作用,对高斯背景建模的更新算法进行了改进,使其可以较准确及时地更新背景。从仿真结果可看出该算法能使检测得到的运动目标更加完整准确。为了提高运动目标跟踪的准确性,采用一种新的判断运动目标之间是否发生遮挡的方法,即:在检测到的运动区域内由预测目标的个数来判断。在遮挡前使用基于归一化转动惯量值的匹配方法来寻找同一目标的后续目标,而在遮挡发生时,在卡尔曼滤波预测的基础上,使用基于模板的匹配方法进行跟踪,用搜索的最佳匹配位置来修正卡尔曼滤波模型。仿真结果表明,该算法对运动目标的短暂遮挡能够获得较理想的跟踪效果。