运动目标检测与跟踪是计算机视觉研究的核心课题之一,融合了图像处理、模式识别、人工智能、自动控制、计算机等众多领域的先进技术,在军事制导、视觉导航、视频监控、智能交通、医疗诊断、工业产品检测等方面有着重要的实用价值和广阔的发展前景。本文主要对静态背景下的运动目标检测与跟踪算法进行了研究。首先讨论了基于混合高斯背景模型的运动目标检测方法,然后提出了基于背景重构的运动目标检测方法以及基于背景边缘去除和GVF(Gradient Vector Flow)Snake的目标检测方法,最后研究了基于均值漂移的目标跟踪方法,并针对其存在的问题提出了结合均值漂移和自适应预测的目标跟踪算法。论文的主要工作有:运动目标检测方面,研究了基于混合高斯背景模型的运动目标检测方法,针对该方法对光线突变适应性较差的问题,提出了结合整体光线变化进行运动检测的方法,通过在当前帧像素值与背景模型的匹配判断中加入整体光线变化,提高了检测方法对光线变化的适应性。针对现有的基于背景重构的目标检测方法大多存在计算量较大或存储量较大的问题,提出了一种新的基于背景重构的目标检测算法,该方法利用改进后的对称差分法基于块操作重构背景图像,采用背景减法检测运动目标,其中减操作中的阈值采用二维Otsu法自动选取。该方法计算简单、不需存储历史图像,对场景变化具有一定的适应性。针对基于区域的背景减法需要精确的背景模型和对光照变化比较敏感的问题,提出了基于背景边缘去除和GVF Snake的运动目标检测算法,该方法采用基于边缘的背景去除法提取目标边缘信息,利用GVF Snake提取封闭的目标轮廓,对目标轮廓进行形态填充提取完整的运动目标,一定程度上解决了基于区域的背景减法存在的问题。运动目标跟踪方面,研究了基于均值漂移的目标跟踪算法,该方法采用核函数加权的颜色直方图描述目标,对目标旋转变形、部分遮挡具有较好的适应性,并且计算简单、实时性好,但是不能自适应调节跟踪窗大小,存目标快速运动和发生机动的情况下效果不理想。针对均值漂移算法存在的问题,提出了结合均值漂移和自适应预测的目标跟踪算法,首先结合目标的形状信息和颜色可区分度建立目标模型,然后根据匹配度的变化判断目标运动情况,在没有机动和严重遮挡时,结合均值漂移和卡尔曼滤波器实现对快速运动目标的实时跟踪,目标发生机动或严重遮挡时,结合均值漂移和粒子滤波器进行鲁棒跟踪。为了进一步增强跟踪的实时性和鲁棒性,采用了数目较少的两种不同运动模式的粒子进行预测。该方法有效结合了均值漂移结合卡尔曼预测进行跟踪的快速性和结合粒子预测进行跟踪的鲁棒性,实现了对运动目标的实时、鲁棒跟踪。