图像序列中运动目标的检测和跟踪是计算机视觉、数字视频等领域最热门的研究课题之一,对于目标行为理解等中高层次的处理具有十分重要的意义。如何能够准确快速的检测运动目标和实现对目标的实时鲁棒跟踪一直是多目标检测和跟踪技术中待解决的关键问题。针对这一关键问题,本文主要对基于仿生智能的多目标的检测和跟踪方法进行了研究,具体如下:1.深入分析研究了目前常用的几种自适应动态背景建模方法。背景减除法是常用的运动目标检测方法之一,而背景建模是背景减除法进行运动目标检测的基础。由于现实场景往往因为光照等原因不断变化,需要建立一个能够准确描述背景并根据背景变化及时更新的背景模型。本文深入分析了几种目前常用动态背景建模方法,并对其优点和存在的问题进行了总结和比较。2.提出了一种记忆式背景建模方法。该方法以混合高斯背景建模方法为基础,在嵌入噪声去除算法和基于HSV颜色特征的阴影检测算法去除噪声和阴影干扰的同时,采用学习率自适应的在线更新方法解决传统混合高斯模型无法准确分割运动缓慢和暂时停止的运动目标的问题,并模仿人类观察环境的过程将“记忆”方法引入混合高斯模型中,有效解决了背景突变的问题。3.提出新的状态转移模型和观测模型,采用粒子滤波方法实现了多运动目标的实时鲁棒跟踪。针对目前采用粒子滤波方法进行图像序列目标跟踪时常用观测模型计算量大的缺点,结合运动检测得到的信息建立新的状态转移模型和观测模型,大大降低了算法的计算量。实验结果表明,采用本文提出的状态转移模型和观测模型,能够较好的实现多运动目标的实时跟踪,且在运动目标发生遮挡时仍能取得较好的跟踪结果。