基于视频图像的运动目标检测与跟踪是计算机视觉领域的热点问题,广泛应用于视频监控、人机交互、虚拟现实和图像压缩等。而要在各种复杂的环境中和不同的条件下(如遮挡、光照变化等)都对目标进行准确的跟踪是目前广大研究工作者共同关注的焦点,也是目前实际应用中一个亟待解决的难题。对于运动目标跟踪系统,一般分为两个主要部分:一是运动目标的检测与提取;二是运动目标的跟踪。本文首先阐述了运动目标检测与跟踪的选题背景和研究意义,概述了其研究现状和难点问题,然后从这两个方面入手,对整个运动目标的检测与跟踪过程做了详细的介绍。在运动目标检测方面,本文介绍了目前比较常用的三种目标检测方法,即光流法、帧间差分法和背景相减法。首先详细介绍了三种算法的原理,着重介绍了背景相减法,尤其是该方法中背景的建模与更新,是解决整个目标检测问题的关键。由于真实环境的复杂性以及周围条件的多变性,要获取一个准确完整的背景十分困难。然后指出了三种方法的优缺点以及适用范围,并对帧间差分法和背景相减法做了实验,比较了各自的检测效果,并指出了可能存在的一些实际问题。最后本文还列举了一些其他目标检测算法,为找到一个更通用的目标检测算法提供了基础。在运动目标跟踪方面,本文首先介绍了两种常用的目标跟踪框架,即卡尔曼滤波方法和Mean Shift方法。卡尔曼滤波是贝叶斯滤波的一种特例,在线性高斯的条件下,它能得到最优后验估计,这也是很多运动目标跟踪系统中利用卡尔曼滤波进行运动估计的主要原因。Mean Shift是目前应用非常广泛的一种运动目标跟踪框架,并且由于它实现方便,运算量小,通常与其他特征提取和匹配方法相结合完成对运动目标的跟踪。本文通过实验分别表明了卡尔曼滤波和Mean Shift方法跟踪运动目标的准确性与鲁棒性。然后,本文提出了一种基于SIFT特征和离散小波变换的真实环境下的运动目标跟踪方法。该方法是一种“先检测后验证”的方法,利用帧间差分法和离散小波变换能准确快速地检测出运动目标,再提取目标区域的SIFT特征,并进行特征匹配,完成目标验证,达到跟踪目标的目的。实验结果表明了该算法的准确性,同时也表明该算法能有效地应用与多目标跟踪中。