目标检测和跟踪是计算机视觉研究领域中的一个热点和难点问题,广泛地应用于交通监控、人机交互、精确制导、光电导航等各个方面。对成像目标跟踪系统,其关键技术主要包括两个方面:一是运动目标的检测技术;二是运动目标的跟踪技术,其中,运动目标检测是目标跟踪系统任务最为关键的技术。本文围绕复杂背景下目标检测与跟踪的难点问题,开展了有关图像特征点的检测方法研究,在此基础上,提出了一种基于图像特征点的目标跟踪方法。论文主要研究工作与贡献包括以下几个方面:(1)论述了几种经典的图像特征点检测方法,如Moravec角点检测方法,Harris角点检测方法,SUSAN角点检测方法等,并对这些方法进行了计算机仿真,分析了这几种方法各自的优缺点和适用性。(2)论述了一种新的特征点检测方法,即尺度不变特征变换(Scale InvarianceFeature Transform,SIFT)。同时,针对该方法在实际应用中计算效率低的问题,对SIFT计算中尺度空间求极值环节采用了分层计算的思想,极大地节约了运算成本,可以满足后续跟踪系统的实时性要求。(3)提出了一种基于SIFT特征点检测的KLT(Kanade-Lucas-Tomasi)跟踪方法。通过实际仿真,证明了该方法可以有效检测视频图像中的特征点,为后续运动目标的跟踪提供依据。(4)建立了基于特征点的运动目标跟踪流程。并在有效特征点提取与检测的基础上,对KLT算法进行了改进,将Kalman滤波应用于KLT跟踪,利用Kalman滤波来预测特征点的位置。对多个场景下的视频目标进行了跟踪实验,取得了稳定的跟踪效果。表明了该方法比常规的运动目标跟踪方法具有较高的稳定性和跟踪精度。(5)最后,利用VC++6.0和Matlab7.1对本文提出的跟踪算法进行了仿真计算,取得了良好的应用效果。