伴随着计算机、图像处理、人工智能和模式识别等各项技术的迅速发展,近年来兴起了数字化视频监控的浪潮。视频序列中运动目标检测与跟踪技术不需要人为干预,利用计算机视觉和视频分析的方法对摄像机拍录的图像序列进行自动分析,吸引了国内外大批学者的关注和深入研究,并取得了大量的成绩。本文在分析前人研究成果的基础上,在提高运动目标检测与跟踪算法的自适应性和实时性等方面进行深入研究,分别实现了基于压缩传感理论的背景差分检测算法和基于卡尔曼滤波预测的快速跟踪算法,并对基于颜色直方图分布模式匹配的Mean-shift算法进行深入研究。主要工作内容概括如下：1、简要介绍运动目标检测技术的常用方法,采用有限帧均值和自适应阈值方法对基于背景差分和帧间差分相结合的检测方法进行了改进,对于视频序列的初始帧中含有运动目标时初始背景建立不准确的缺陷进行了弥补,同时有效避免了采用经验阈值的非适应性。2、为了减少视频序列中巨大的数据量处理带来的压力,结合最近兴起的压缩传感理论,实现了一种基于压缩传感理论的背景差分检测算法。不同于传统的奈奎斯特采样定理,压缩传感理论指出只要信号具有稀疏性或可压缩性,就可以通过较少的随机采样点来恢复原始信号。采用该改进算法使用少量采样数据即可实现运动目标检测的目的,很大程度上减少了处理的数据量。3、深入研究卡尔曼滤波在运动目标跟踪中的应用,改进了一种快速有效的卡尔曼滤波预测算法。卡尔曼滤波是基于系统当前的状态对下一时刻的状态做最优估计及修正的,由于每次计算的参数过多,使得计算量繁琐,对目标跟踪的实时性产生影响。然而通过公式推导和多次实验发现其增益系数在迭代次数为参与视频处理序列总数的前20%时,迅速变成一个常量。本文采取前20%帧数运用原增益系数方程进行更新,其余的视频序列中增益系数置为常量的处理方法。计算机仿真实验证明本文算法可以快速有效地实现运动目标的跟踪目的。4、深入研究基于颜色直方图模式匹配的Mean-shift算法,实现其与快速卡尔曼滤波预测相结合的算法,减少了运动目标跟踪的搜索时间,对于目标快速运动及大面积遮挡时单纯应用Mean-shift算法出现跟踪失败的情况进行了改善。