运动目标检测、定位、跟踪是计算机领域的核心研究课题,在视频监控、军事对抗、智能交通等领域具有重要的研究价值。目前关于运动目标检测、定位、跟踪的相关算法种类繁多,不过随着新问题的不断涌现,还有很多理论与应用的难点可以进一步研究与解决。本文以三维空间中的运动目标为研究对象,以单目相机为研究工具,以光流为研究起点,综合图像处理、深度学习、聚类、非线性滤波等方法,设计了集运动目标检测、空间定位、立体跟踪为一体的完整系统。本文的主要工作如下:在运动目标检测方面,为满足大量噪声干扰下大位移运动目标的检测要求并持续提升检测效果,本文基于传统方法与深度学习策略分别开展了前后两阶段研究工作。第一阶段,构建了基于传统计算机视觉的光流预测与运动目标提取网络,包括预处理图像、改进Lucas-Kanade光流法计算光流、提出粗精结合两级运动目标提取策略。第二阶段,在第一阶段基础上构建了基于学习算法的光流预测与运动目标提取网络以进一步完善检测算法,具体通过丰富图像预处理、应用改进PWC-Net计算光流、创新K-means与凝聚聚类算法并融合帧间差分法来提取特征区域。实验表明本文检测算法可以准确完整地获取运动目标。在运动目标定位方面,为完成仅利用单目相机单帧图像获取运动目标三维位置的任务,本文根据检测结果设计了基于小孔成像的单目视觉空间定位算法。首先,结合相机参数建立定位模型并对单帧图像进行坐标转换以获取目标的空间方位信息。然后,利用空间方位信息、相机自身安装位置以及几何关系获得目标的空间坐标信息、深度信息。实验表明,本文定位算法简单经济、实用精确,位置信息平均相对误差仅为3.91%。在运动目标追踪估计方面,为解决通过二维图像实现运动目标三维跟踪的问题,本文根据定位结果构建了基于容积卡尔曼滤波器的立体跟踪策略。首先,建立运动目标运动模型,并以运动目标的速度与位置为状态变量,以运动目标的像素坐标为量测输出构建系统状态空间表达式。最终,将不同模型与容积卡尔曼滤波器融合以实现对运动目标空间位置与速度的稳定跟踪。实验中同步引入扩展卡尔曼滤波器对比验证了容积卡尔曼滤波器的可行性、先进性、稳定性。实验表明,在运动预测时间内容积卡尔曼滤波器跟踪策略关于6维跟踪变量的均方根误差平均值、曼哈顿距离平均值、欧氏距离平均值均明显优于扩展卡尔曼滤波器跟踪策略。