目前,在传统视频监控系统中普遍是通过工作人员监控和录像来实现安全防护,但依旧存在信息遗漏,反应不及时等情况,因此不能准确高效的监控所有场景。而智能视频监控则可以有效的解决前述问题,通过对实时监控画面引入算法分析,从而达到对画面中的目标进行检测和跟踪效果,当遇到突发情况系统则会及时通知工作人员或者报警,同时也在一定程度上降低了人力成本。但其目前没有被普遍应用的主要原因在于当前目标检测与跟踪算法漏检率较高,鲁棒性差。近年来,随着信息技术的飞速发展,图像目标检测与跟踪技术成为计算机视觉领域中的一个重要课题。本文在实时视频监控系统的框架下,针对目标的实时检测与跟踪问题,对Tracking-Learning-Detection(TLD)目标检测与跟踪算法进行了深入研究。该算法主要能够解决对未知物体的长时间跟踪问题,具有抗光照干扰、障碍物遮挡等能力,有较强的实用性。但其主要缺点在于算法计算量巨大,程序运行速度非常缓慢,在计算机硬件性能一般的情况下达不到视频监控中目标跟踪的实时效果,不能广泛应用于实际生活中。针对上述问题,本文主要工作包括以下几个方面:(1)重点研究了目前比较经典几种目标检测与跟踪算法,解剖其原理。并对这几种算法进行实验测试,根据实验结果比较分析这几种算法应用于实际视频监控系统中的可行性。(2)对原始TLD算法中跟踪器做了改进。根据目标所占当前图像面积百分比动态调整被处理图像的分辨率大小,当目标面积在整幅图中所占面积较大时,通过提出的算法减少输入样本的输入数量,从而减少计算量,加快滑动框扫描速度。(3)在原始算法的检测器部分,近邻区域生成检测扫描框,输入图片先采用跟踪器中的光流法加以计算,估计出目标的当前大概位置,再在该位置近邻区域滑动生成扫描框,避免扫描整幅图所带来的耗时问题。(4)提出新的模板匹配算法。在原始算法检测器中作者采用是传统NCC(normalized product correlation)模板匹配方法,计算速度较慢,是影响算法速率的主要原因。改进后的算法采用新的模板匹配方法,使得程序运行速率大幅度提高。(5)基于实验室现有硬件设施,搭建实时视频监控系统平台,将改进后的新的目标检测与跟踪算法嵌入视频监控系统中,测试实时监控画面下算法对目标的检测和跟踪性能。