基于计算机视觉的智慧城市系统在重点区域的行人流量分析、监控目标的实时跟踪以及城市道路的车流智能引导等领域具有重要的研究价值和应用前景,其中运动目标检测与跟踪是实现后续智能分析与决策的关键技术。考虑到背景模型初始化的准确性对于目标检测效果具有重大的影响,因此本文重点围绕初始化过程中容易发生却又较难解决的鬼影问题,采用了一种改进的帧间差分法,并与内外轮廓直方图匹配法相融合,充分利用了视频序列中的时空特性。另外考虑到运动目标的互相遮挡将引起目标跟踪性能的急剧下降,因此本文采用了一种基于分类器最大响应衰减率的遮挡判别方法,并利用不同层级上的触发条件,将显著提高目标跟踪的效率和准确性。最后本文分别以车辆和行人的检测与跟踪应用为例,对上述新方法进行了应用尝试,验证了方法的可行性。本文的主要工作如下:(1)在目标检测部分,针对背景模型初始化过程中产生的鬼影问题,采用了基于时空特性的鬼影抑制方法。该方法解决了两个问题,包括内外轮廓直方图匹配法无法应用于小区域鬼影和帧间差分法对摄像头抖动敏感。另外针对传统帧间差分法二值化结果过度依赖固定阈值的问题,本文用差分结果中所有像素所服从的正态分布来表示图像的帧间变化特性,提高了适用性。实验结果表明,本文采用的基于时空特性的鬼影抑制方法比较有效。最后针对检测结果目标内部有孔洞以及白色噪点较多的问题,采用形态学处理等操作进行优化。(2)在目标跟踪部分,针对如何判断遮挡发生问题,本文采用了一种基于分类器最大响应衰减率的分级遮挡判别方法。该方法根据衰减率和直方图匹配度,将遮挡判断分为粗判断和细判断两个阶段。实验结果表明,与基于Surf特征匹配的遮挡判断方法和基于LK光流法的遮挡判断方法相比,该方法更为有效。(3)为进一步优化行人目标的跟踪结果,将静态行人检测的相关技术应用到目标跟踪领域。把行人跟踪窗口适当放大作为待优化区域,在该区域用已训练好的行人分类器检测,最终确认目标的准确位置。实验结果表明,优化后的行人跟踪结果更为准确。(4)综合运用本文运动目标检测与跟踪的相关技术进行实验设计与分析,该实验自动对进入到感兴趣区域内的目标(包括车辆与行人)进行跟踪监控。实验结果达到预期,进一步证明本文方法的有效性。