智能视觉监控是计算机视觉领域的一个应用热点，它能在不需要人干预的情况下，通过自动分析摄像机拍录的图像序列来对被监控场景中的变化进行定位、跟踪和识别，并在此基础上分析和判断有关目标的行为。运动目标的检测和跟踪是智能视觉监控系统的基础。　　本文的主要目标是寻找一种可应用于DSP的室外多运动目标实时检测与跟踪算法，以期实现智能视觉监控系统的小型化和智能化。首先，文章对智能视觉监控系统中的室外运动目标检测和跟踪的常用算法——最近领域法和Mean shit算法进行了研究。文章选取单高斯背景模型进行背景建模，并使用PETS2001数据库中的标准测试序列对最近邻法和Mean shift算法两种算法进行了比较。实验结果表明，最近邻法运算速度快，但在距离较近时易发生跟踪出错；Mean shift由于采用了颜色特征，跟踪结果优于最近领域法，但运算量大，不利于算法最终在DSP设备上的实时性实现，且对光照变化敏感。　　鉴于最近邻法和Mean shift的缺点，本文对最近邻法进行了改进，提出了一种可用于DSP的室外多目标跟踪算法。算法在最近邻法的基础上，新增搜索窗口阈值，并引入Kalman滤波器对目标进行预测，以确保运动过快的目标同样能被正确跟踪。算法首先在被跟踪目标周围的搜索窗口进行搜索，若仅有一个团块进入搜索窗口，则认为此团块为被跟踪目标；若出现多团块的情况，算法将利用局部二值化（LBP）纹理特征对进入候选区域的团块进行区分，选取和被跟踪目标相似度最大的团块作为跟踪目标。纹理特征克服了光照变化的影响，同时，LBP算子的引入，大大的减小了运算的复杂度，从根本上保证了算法的实时性。　　最后，为了实现对某类特定目标的跟踪，本文对摄像机的标定进行了研究。利用摄像机仿射模型对监视场景建模，算法可利用目标在图像中的像素高度估算目标的实际高度，为算法的更深层次的应用打下了基础。　　大量的实验证明了新算法的可行性和鲁棒性。目前，算法已经成功应用于某智能视觉系统，并在检测和跟踪的基础上实现了汽车、人、自行车的人车分类和汽车入侵检测等高级功能。