视频图像序列中运动目标的检测、跟踪与识别是当前计算机视觉领域的研究热点,目标的检测与跟踪是为了准确地从背景中找到目标,从而为目标的识别与行为分析提供更加精炼、准确、不变性和可区分性更强的特征。因此,视频口标的检测与跟踪已经成为视频监控、机器视觉系统、视觉精确制导等诸多应用方向中的核心技术,具有重要的理论研究意义与广阔的应用前景。在视频目标检测与跟踪的研究方法中,基于活动轮廓模型理论的目标分割与跟踪算法是近年来发展最快的研究方向之一。活动轮廓模型将高层先验知识与低层视觉任务相结合,自上而下地实现对视觉任务的处理,为计算机视觉问题的解决提供了崭新的理论框架。本文针对动态目标检测、目标跟踪和行为识别方面的理论和应用展开研究,主要研究内容和成果体现在以下几个方面：针对目前常采用的运动目标检测方法存在的缺点,提出了时空结合的运动目标检测方法,先利用时间分割再进行空间分割的思想。首先,通过自适应阈值获得当前帧与背景的差图像,进行连通域分析和设定阈值,消除噪声确定运动目标的区域。其次,在提取出的运动窗口区域应用一种基于边界的二值化水平集+高斯平滑的运动目标检测方法进行精确检测。二值化水平集是基于几何活动轮廓框架,采用二值水平集函数代替传统水平集函数,避免了传统水平集函数需要重新初始化为符号距离函数的过程,解决了计算量大,实现复杂等缺点。实现了在摄像机静止条件下刚体或非刚体的运动目标检测。实验表明,该方法能应用于实际的交通视频,简单有效,获得封闭和完整的运动目标轮廓。针对GAC模型是对灰度图像进行图像分割,本文将其应用到矢量图像中,提出基于水平集理论的改进变分GAC矢量模型与背景差分相结合的时空联合运动目标检测方法。把基于背景差分时间分割后得到的运动窗口作为曲线演化的初始轮廓,引入距离规则化项到GAC矢量模型中,不仅消除了水平集重新初始化的需要而且避免了因此而导致的数值错误,在演化过程中保持了水平集函数的规则化,得到准确的运动目标轮廓,提高了演化的效率和稳定性。实验结果表明,该方法适用于刚体和非刚体目标,在部分遮挡的情况下也能保持良好的检测效果。针对基于水平集的必何活动轮廓模型能较好地适应曲线拓扑变化,为了跟踪和获取运动目标的轮廓信息,提出了一种基于改进GAC矢量模型和Kalman滤波相结合的线性运动目标跟踪算法。该算法首先设置一定阈值,删除运动区域面积过大或过小的区域,然后对剩余目标在运动窗口区域内采用改进的GAC矢量模型进行曲线演化,在运动目标的真实轮廓处收敛；得到目标轮廓曲线后进行目标特征的提取,通过计算轮廓的面积、质心等参数得到目标及其相关特征(目标轮廓的面积、目标质心)。然后通过结合Kalman滤波预测目标下一帧位置,最终实现对目标的跟踪。针对粒子滤波的退化现象,对于非线性目标跟踪,一个确定的模型难以描述运动中目标轮廓的变化,从而增加了跟踪与提取的精度,本文受CV模型提出者Tony Chan采用基于区域的CV模型进行目标跟踪的启发。以此为跟踪基础,提出将免重新初始化的改进LBF模型与高斯粒子滤波相结合,此算法能够更好地对运动目标进行跟踪。首先用高斯粒子滤波跟踪运动目标区域,然后把距离规则化项引入到改进模型中,以外接矩形区域的质心为基础对水平集进行初始化,应用改进后的LBF模型进行曲线演化,可以获得比较精确的目标轮廓,最后将轮廓的提取结果反馈到跟踪框架中,动态更新参考模板,获得了较理想的跟踪效果。目标行为识别属于计算机视觉中的高层视觉,行为分为“事件”和“活动”两类,本文以道路交通应用为例,提出了基于HMM的多特征融合交通事件检测算法。首先根据用户需求选择待检测事件,在交通视频中,人们常常关注车辆碰撞、超车等事件,因此本文选择碰撞、超车作为待检测事件。利用前面章节的车辆检测跟踪算法,求出车辆运行轨迹,提出了一种多特征向量融合方法作为HMM模型的输入,对于出现在一起的每对车辆,提取每辆车的速度改变和交互特征作为多特征,对交通事件进行建模和识别。