运动目标检测与跟踪是计算机视觉领域的一个研究热点,也是连续相关的两个问题。它们是视频行为分析与行为识别的技术基础,广泛应用于军事与民事方面。目前已有相当多的研究致力于此课题,但依然存在许多问题需继续研究。针对动态背景下运动目标的检测遇到的实时性与精确度难以兼顾的问题,提出了一种混合多种主流技术的运动目标快速检测框架。该方法利用了视频序列中相继帧对应的背景角点满足对极几何约束条件这一原理,其基本的检测思路分为如下三步:1)对相邻两帧图像,首先提取第一帧图像所有的Harris角点,然后利用金字塔分层的LK光流法获得这些角点在下一帧的对应点;2)把这些点对作为训练集,训练一个满足对极几何的约束条件的基础矩阵作为分类器来区分前景/背景角点,该基础矩阵采用RANSAC算法来迭代估计;3)对于上一步得到的前景角点进行聚类,每一类对应于一个运动目标区域。针对运动目标跟踪出现的拍摄环境复杂和目标运动复杂化给跟踪准确度带来的问题,提出了基于卡尔曼滤波的自适应目标区域大小的Mean Shift目标跟踪方法,其主要跟踪过程是:1)使用时域上的目标运动状态进行卡尔曼滤波目标预测;2)将预测位置作为初始值进行自适应目标区域大小的Mean Shift局部搜索;3)使用阈值判断对应最大相似性函数值,若此值较大则以局部搜索结果为此帧最终的目标跟踪区域。若此值较小就再次以上一帧的目标中心为初始值进行自适应目标区域大小的Mean Shift全局搜索,再次使用阈值判断对应最大相似性函数值以确定最终跟踪区域选用全局搜索结果还是卡尔曼预测结果。实验结果表明,对比Yi提出的带年龄的高斯双模型检测方法和Sheikh提出扩展的背景减法检测方法,本文检测方法不仅能同时检测出动态背景下多个运动目标,而且检测准确度高、检测速度快,满足实时处理需求。对比KCF核相关滤波跟踪算法和CSRT具有通道和空间可靠性的判别相关滤波跟踪算法,本文跟踪方法在动态背景下目标形变、旋转、被遮挡、运动状态突变等场景中在跟踪准确率高的同时满足实时跟踪的要求。论文所提方法的创新在于:1)提出了一种混合对极几何、LK光流等多种方法的动态背景下运动目标检测框架,并改进了满足对极约束的基础矩阵的估计方法,提高了估计精度。2)提出了一种融合Mean Shift算法与卡尔曼滤波的动态背景下运动目标实时跟踪方法,该算法不仅能够自适应调整匹配窗口的大小,而且能够在局部搜索之后根据匹配度的阈值确定是否进行全局搜索来降低计算开销。