对视频中感兴趣目标进行检测、跟踪,一直是计算机视觉领域中的基础性问题,是产业界和学术界关注的热点问题之一。运动目标检测与跟踪技术是一门跨学科的交叉技术,其主要包括计算机视觉、多媒体技术、模式识别、概率论和信息论、计算智能以及图像处理等不同学科。作为视频数据处理的关键技术,运动目标检测和跟踪在日常生产和生活的各个方面得到了广泛的应用,如人机交互、视频编解码、智能监控、智能交通以及最近兴起的汽车无人驾驶技术。对视频中感兴趣目标进行准确的检测和跟踪,是视频数据准确分析和正确决策的前提,同时也是视觉系统智能化的基础。尽管很多学者在此领域做了大量的研究工作,但当前仍然面临着很多难题困扰,诸如光照变化、目标部分或全部遮挡以及变形等。在此背景下,本文围绕运动目标检测发现与跟踪展开深入研究,针对复杂环境提出了鲁棒的高效算法,弥补现有算法的不足。下面对运动目标检测发现与跟踪两方面分别叙述。对于运动目标检测,主要考虑检测方法如何在不同的环境下提高前景检测的鲁棒性,主要考虑如何消除阴影和光照变化的影响。主要研究成果如下：1、基于光照模型,提出了一种局部强度比率特征(LIRM)和基于此特征的前景检测算法,以及相应的后处理方法。该方法具有两个显著特征：一方面,LIRM特征具有光照不变性,因而对光照变化鲁棒；另一方面,在视频图像噪声是高斯分布情况下,局部强度比率也满足高斯分布。在高斯混合模型来获取前景过程中,用局部强度比率来代替像素值进行处理,结果得到消除阴影后的前景。实验表明,本方法在不同的场景下可以有效的消除阴影,得到无阴影的前景。采用本方法不仅可以消除阴影,同时对光照变化鲁棒。同其他阴影消除和对光照鲁棒的前景检测方法比较,也显示出较好的性能。2、为了得到精确的运动前景,同时能够消除运动阴影,本文提出了一种局部强度比率向量(LIRV)特征和基于此特征的阴影检测方法。首先提出了局部强度比率向量(LIRV)模型,然后分析了含阴影的前景与背景的LIRV距离差值(DV)、向量角度差以及比率(RV)的概率分布特征并给予了证明。通过对级联的DV、向量角度差和RV的分布估计和局部空间关系估计,以及邻近关系调整,最终从运动前景中分割出阴影。实验显示此方法比当前主流方法在检测运动阴影方面性能有很大的提高。对运动目标跟踪,主要研究如何克服目标表观变化以及外界环境对跟踪效果的影响。研究成果如下：3、提出一种基于局部子目标协同的目标跟踪框架,其局部子目标的选择基于子目标的表观瞬时不变性。通过对一系列局部模板来表示子目标的局部瞬时表观,以此来代替常规的目标整体模板,同时对不同的局部子目标分别进行跟踪。各个局部子目标通过稀疏表示建立稀疏字典,以此作为子目标的表观特征。对各个局部子目标的跟踪结果进行协同确定目标的最终状态,然后根据目标最终状态反向调整各跟踪子目标的状态。对子目标表观特征变化进行实时判断,对变化超出阈值的子目标从备选子目标中重新选择子目标进行跟踪。通过对各子目标的独立协同跟踪,使得跟踪结果与当前最新方法比较,鲁棒性更好,系统更稳定,跟踪结果更准确。