运动目标检测与跟踪是计算机视觉领域一个热门的话题,它是一门涉及到统计学、认知学、信号处理、人工智能以及计算机科学与工程等许多先进技术领域的综合学科,在人机交互、智能交通、安全监控、视觉导航、视频图像压缩、医疗诊断等领域具有非常重要的实用价值。近些年来,随着计算机和信息技术的迅速发展,大量研究人员和研究机构对其进行了深入的研究,并针对不同的应用环境提出了相应的解决办法。然而,由于实际场景的复杂性和不确定性,现有的运动目标检测算法和运动目标跟踪算法仍然存在许多有待解决的问题。因此,开发通用的、有效的、实时的运动目标检测算法和运动目标跟踪算法依旧面临着许多挑战,是当今研究人员和研究机构讨论的热点和难题,具有重要的理论意义和实用价值。具体来说,本文主要对视频图像中的运动目标检测与跟踪算法进行了研究。首先,介绍了运动目标检测与跟踪的研究背景和研究现状等知识;其次,对图像处理基本知识进行了讨论;再次,重点对运动目标检测算法和运动目标跟踪算法进行了研究;最后,进行了总结,并提出不足之处和未来的计划。下面详细介绍本文在运动目标检测和运动目标跟踪两方面的研究内容和研究成果。在运动目标检测方面,主要研究了静态背景下常用的三种运动目标检测算法,即光流法、帧间差分法和背景差分法。综合对它们的优缺点和适用场合考虑以后,提出了一种基于三帧差分法和背景差分法且抗阴影的运动目标检测算法。此算法使用帧间差分法的三帧差分法和采用叠加求平均值法提取背景图像的背景差分法相结合提取运动目标,然后在HSV颜色空间中进行运动目标阴影的检测与消除,最后使用数学形态学中的腐蚀、膨胀、开运算和闭运算去除噪声。该算法不但解决了帧间差分法容易在目标内部产生空洞和背景差分法对于场景变化特别敏感的问题,而且可以消除阴影和噪声对检测结果的干扰。经实验证明,该算法提取的运动目标轮廓更完整,消除阴影和噪声的干扰后,可以有效的对单目标和多目标进行检测,对室内和室外运动目标的检测结果都比较好。在运动目标跟踪方面,首先介绍了三种当今主流的运动目标跟踪算法,即基于Mean-Shift的目标跟踪算法、基于粒子滤波的目标跟踪算法和TLD目标跟踪算法。其中Mean-Shift算法通过多次迭代漂移来跟踪目标的位置,大多数的情况下对于低速运动目标可以保证跟踪的准确性,是一种简单易实现且快速有效的跟踪算法,更适合用于实时的运动目标跟踪。另外,该算法采用核函数直方图对目标模型进行描述,对目标的旋转和变形以及背景运动等情形都具有较好的抗干扰性能。但是Mean-Shift算法在目标跟踪过程中没有利用目标的运动方向和速度信息,这就导致无法准确地跟踪快速运动的目标。另外,传统的Mean-Shift算法的跟踪窗口尺寸固定不变不能实时地适应目标尺寸大小的变化。这使得当跟踪目标尺度变小时,跟踪窗口过大,过多地包含了不必要的背景信息;而当跟踪目标尺度变大时,跟踪窗口过小,没有包含全部的跟踪目标信息,跟踪目标会丢失部分特征点,可能造成跟踪失败。针对以上缺点本文提出了一种基本向前向后中心中值和三尺度信息量度量的Mean-Shift算法。该算法使用向前后中心中值法调节跟踪窗口在每一帧的位置,解决了传统Mean-Shift算法不能准确跟踪快速运动目标的缺点。同时,改进后的算法使用三尺度信息量度量法可以动态地调节跟踪窗口的大小。实验结果表明,改进后的算法不仅可以快速、有效的对运动目标进行跟踪,而且对尺寸逐渐变大和变小的运动目标都能连续自动地选择合适的跟踪窗口。