计算机视觉的研究目的是使用计算机代替人眼及大脑根据感测到的图像对实际物体和场景做出有意义的判定。运动目标检测和跟踪是计算机视觉、模式识别、视频编码、基于内容的检索、智能视频监控等研究领域的重点与难点,在科学研究和工程应用上有十分诱人的前景。动态变化场景的监控是近年来非常受关注的前沿研究方向。对现实复杂场景中运动目标的检测和跟踪是智能视频监控中的关键技术,其结果直接影响到随后的行为理解和对监控事件的处理。在结合数字视频图像处理、统计计算、动态系统分析等相关理论的基础上,重点研究了复杂场景中视觉运动目标检测和跟踪的方法。主要研究工作与创新点如下:提出了一种在HSV色彩空间中运用混合高斯模型背景消除法对色调和亮度分量联合判决的运动目标检测新方法。在HSV色彩空间为动态背景建立多个高斯模型,设定优先级进行排序,将最有可能的背景模型排在最前面,并且动态地更新模型参数以适应环境变化,然后使用色调和亮度分量联合判决的方法检测运动前景目标。实验结果表明该方法能有效地解决场景中树木的摇晃,水面波光的反射,以及雨雪等干扰给目标检测带来的困难,能准确地检测运动的目标。提出了在HSV色彩空间中通过对饱和度、亮度的阈值限定和色调的对比三要素均衡判定的运动目标阴影消除方法。将检测区域各点的像素值同背景中该处的像素值相比较,如果其饱和度和亮度都在一定的阈值之下,则该点有可能是阴影。然后再比较色调分量,利用阴影区域与背景区域色调不变的特性,如果该点色调值与背景区域相同位置点的色调值很接近,则可以判定该点是阴影而不是运动目标。提出了一种将均值漂移算法与卡尔曼滤波相结合的跟踪遮挡和未遮挡运动目标的新方法。当目标未被遮挡时,以卡尔曼滤波预测结果为起点进行均值漂移迭代,准确跟踪运动目标的位置,同时也减少均值漂移算法的迭代次数,加快了跟踪处理过程的速度。发现目标被遮挡时,以卡尔曼滤波预测结果作为运动目标位置的预测,暂时停止均值漂移迭代,克服了均值漂移算法不能解决的遮挡问题,有效地满足跟踪的鲁棒性和实时性要求。实验的对比结果表明了提出的新算法耗时少,鲁棒性更强。利用马尔可夫链蒙特卡洛方法结合均值漂移算法重采样改进了粒子滤波视觉多目标跟踪算法。研究跟踪多个具有相似外表和复杂运动的目标,将多目标的跟踪作为一个完整的动态系统,用贝叶斯方法对其建模。引入粒子滤波算法,利用一系列随机样本的加权和表示所需的后验概率密度,得到状态的估计值,并用马尔可夫链蒙特卡洛方法来解决重采样时粒子的退化问题,用均值漂移算法对粒子进行聚类,从而准确有效地跟踪多个相似运动目标。研究了视觉运动目标检测和跟踪相关技术在智能视频监控系统之中的应用。分析了用DSP实现前面提出的运动目标检测和跟踪智能算法的可行性,提出了一种新的分布式智能视频监控系统的架构。在现实场景中进行了不同的实际应用实验,验证了前述运动目标检测和跟踪算法在实际智能视频监控系统中的正确有效性。