动态图像处理技术主要包含对图像序列中的运动目标检测,分类识别和跟踪,以及对运动目标的行为进行理解和描述,其中运动目标检测与跟踪技术应用广泛,多年来一直都是国内外众多研究人员研究的方向。但是由于图像序列本身的复杂性,到目前为止仍没有一种可用于各种场合的比较完善的方法。因此,研究一种高效的、鲁棒性好的运动目标检测跟踪方法依然是该领域面临的一个巨大挑战。本文首先介绍数字图像预处理的基本知识,主要包括图像噪声的平滑算法(邻域平均法、中值滤波)、数学形态学中的腐蚀和膨胀以及阈值的选取方法(最大类间方差法),着重分析提出了两种改进的加权中值滤波算法(加权自适应中值滤波算法和加权快速中值滤波),通过实验得出加权自适应中值滤波算法较加权快速中值滤波在去除噪声上有更好的鲁棒性。接下来对动态目标识别的基本原理和方法做了详细的介绍,包括相邻帧差法、对称差分法、背景差分法以及混合高斯模型;通过实验比较了每种算法的优缺点及适用范围,并分析提出了改进的对称差分法,即:先对连续三帧图像做两两差分运算,应用加权自适应中值滤波进行去噪,然后再使用最大类间方差法选取阈值对图像进行二值化处理,最后在对差分图像取逻辑或运算检测出运动目标。相比于传统对称差分算法,改进后的对称差分算法包含了更多的目标信息,检测出的运动目标更准确,并有效的解决了目标内部存在空洞的问题。最后分析了Mean Shift算法的基本思想和密度估计理论,并成功地应用Mean Shift算法计算跟踪动态目标。在MATLAB7.1下进行了仿真实验,通过实验可以看出在背景简单,没有遮挡等复杂环境影响的情况下,跟踪效果显著。