智能视觉监视系统以其直观、智能化、网络化和丰富的信息等特点越来越受到重视,成为近年来计算机视觉领域的研究热点。智能视觉监视在交通、军事、安全、人机交互、医疗等众多领域有着广泛应用前景。运动目标的检测和跟踪问题是智能视觉监视中的最基本的问题,是整个视觉监视的基础,对智能视觉监视的后续处理过程是至关重要的。本文主要围绕智能视觉监视中的运动目标检测和跟踪等关键技术进行研究,以提高目标检测和跟踪方法在实时性、鲁棒性和准确性等方面的性能。本文首先对背景建模技术进行了研究,总结了当前背景建模算法的研究现状,重点研究了码本模型算法,分析了原始码本模型算法的局限性,在此基础上,提出了一种基于盒的码本模型的背景建模算法。该算法通过构建一个基于盒的测度来对图像帧的像素值进行匹配,实现背景的建模,然后通过背景减除法将输入像素分类为背景或运动目标。该算法考虑了光照和阴影的影响,能够处理多峰的动态背景,在构建码本模型时允许运动目标存在,减小了计算复杂度,适合于静态摄像机场景下的运动目标检测。随后,本文将基于码本模型的背景建模技术与基于特征点的目标跟踪技术相结合,通过对现有的基于特征点跟踪算法的分析,提出了一种基于SIFT特征的目标跟踪算法。该算法首先通过背景减除技术获得运动目标区域,然后提取运动目标区域的SIFT特征,接着使用目标的SIFT特征与前一帧目标的SIFT特征进行匹配,从而实现对目标的跟踪。该算法通过只提取目标区域的特征点来实现了目标的特征分组问题,并且由于只提取目标区域的SIFT特征,减小了计算量,并且该算法能够处理部分遮挡问题。本文还对活动轮廓模型算法进行了研究,在分析现有的基于活动轮廓模型的目标检测和跟踪算法基础上,提出了一种基于活动轮廓模型的多目标跟踪算法。该算法采用全局最小化活动轮廓模型来进行目标检测和跟踪,不会陷入局部最小值,能够自动处理目标的拓扑变化,采用了快速数值实现方案,计算量小,在噪声情况下,仍能对多个目标进行检测和跟踪。最后,为了有效跟踪变形目标,本文对粒子滤波算法在目标轮廓跟踪中的应用进行了研究,详细分析了变形峰值跟踪粒子滤波算法,针对其不足之处,提出一种将卡尔曼滤波器与变形峰值跟踪粒子滤波算法相结合的目标跟踪算法,该算法首先使用卡尔曼滤波来对变形运动目标的全局平移速度进行预测,然后利用粒子滤波对轮廓的局部变形进行预测,将运动目标的高维状态空间划分为维数很小的有效基空间和剩余基空间,对有效基状态进行重要性采样,而对剩余基进行近似峰值跟踪。该算法能对复杂背景下可变形目标进行可靠跟踪。