无人机具有体积小、重量轻、成本低、隐蔽性好、机动灵活等优点,在军事上和民用领域都得到了广泛应用。随着计算机视觉技术的发展,基于视觉的运动目标检测与跟踪已经成为无人机应用领域的核心技术之一。目前,静态场景中的目标检测与跟踪技术研究已经成熟,但是无人机平台姿态的改变使得图像传感器获取的图像序列中运动目标和背景产生相对运动,使得目标检测与跟踪技术变得更加复杂。本文针对无人直升机图像序列中运动目标的检测与跟踪,研究了运动补偿、目标检测以及跟踪的一些算法。主要完成的工作如下:1)由于图像序列中存在背景的相对运动,无法从图像序列中直接检测出运动目标,首先重点研究了背景运动补偿。本文改进了一种SUSAN特征点检测算法,改进了原来的圆形模板,用17像素的圆形模板代替原来的37像素的圆形模板,同时采用一种自适应的阈值设定方法,这样既减少了检测的计算量,也提高了检测算法的鲁棒性。通过该特征点检测算法完成了对特征点的提取,利用自适应十字搜索法和基于区域匹配的方法实现对特征点的匹配,采用RASUAC算法剔除误匹配点,通过建立参数模型获得背景全局运动参数,实现了对运动背景的全局补偿,使背景静态化。2)介绍并分析了目前主要的运动目标检测方法,针对无人机运动目标的特点,本文采用一种基于三帧差分的运动目标检测算法。该算法利用三帧图像信息以及自适应地改变阈值,提高了算法的鲁棒性和准确性。后期结合形态学滤波,实现了运动目标的准确检测和定位。3)粒子滤波由于具有较好的通用性和鲁棒性在目标跟踪中得到了广泛的应用。无人机场景中背景比较复杂,单一的目标特征无法准确对目标进行描述,本文选择目标的颜色特征和边缘特征作为目标的特征信息,动态融合目标的这两个目标特征,采用粒子滤波的方法实现对运动目标进行准确跟踪。这种方法有效适应了无人机图像序列中背景和目标相对复杂时的跟踪。