运动目标检测与跟踪作为当前计算机视觉领域研究的热点问题,在智能驾驶、机器人避障导航等技术中被广泛应用。随着应用场景的复杂化,对运动目标检测与跟踪算法的性能要求越来越高。本文主要针对运动目标检测与跟踪过程中存在的环境噪声、光照变化、背景运动、目标遮挡等难点问题进行了深入研究,具体研究内容如下:针对静态背景下应用传统混合高斯模型进行运动目标检测时易受环境噪声或光照变化干扰,检测结果存在空洞、边缘缺失等问题,采用了改进自适应混合高斯模型和帧间差分的多信息融合运动目标检测算法。在混合高斯背景建模的初级阶段,采用较大的学习率快速消除背景干扰信息,当模型趋于稳定后,根据目标运动状态不断调整学习率,实现自适应修正背景模型。为克服光照变化影响,在模型中引入光照变化因子调整更新率。采用基于图像相似度的四帧差分法并结合边缘检测算法快速提取目标轮廓信息填补目标边缘。通过形态学处理消除目标空洞及残余噪点,获得完整的运动目标。实验结果表明,该方法对复杂场境具有较好的适应能力,能够完整准确地检测出运动目标。针对移动背景下应用传统ORB特征匹配法进行背景补偿时存在目标检测准确率低的问题,采用了改进ORB特征进行精确背景补偿的运动目标检测算法。首先,应用小波变换及图像分块处理保证提取的特征点数目及均匀分布,通过SURF算法提取具有尺度不变性的特征点并构建ORB特征描述子。然后,利用KNN算法与对称约束相结合的特征匹配法提高匹配精度,引入改进的RANSAC方法精确求解全局运动参数完成背景运动补偿,最后通过帧差法及形态学处理获得完整的运动目标。实验结果表明,该方法有效克服了背景运动的干扰,提高了移动背景下目标检测的完整度。针对fDSST跟踪算法应用于运动目标跟踪过程中因目标出现遮挡干扰导致跟踪失败的问题,采用Kalman滤波扩展的fDSST算法进行运动目标跟踪。在目标被遮挡或跟踪丢失时,应用Kalman滤波预测目标位置,并通过预测值更新fDSST跟踪器,当目标再次出现时利用fDSST算法继续准确地跟踪运动目标,提高了算法的鲁棒性。实验结果表明,该方法在遮挡干扰情况下实现了对目标连续稳定地跟踪。