运动目标检测与跟踪是计算机视觉、图像处理和模式识别等相关领域的研究热点,其核心是对视频图像序列进行有效的分析和处理。近年来,运动目标检测与跟踪技术得到了快速发展,相关理论取得进一步突破,且结合其它学科提出的新方法广泛应用于实际工程项目中。国内外学者对运动目标检测的研究已经提高了视频分析的智能化水平。然而,随着视频分析应用领域的不断扩大以及人们对海量数据分析智能性、准确性要求的不断提高,运动目标检测在面对越来越多复杂的实际应用场景时仍有许多理论和技术上的关键问题有待进一步解决。本文深入研究了背景减法的ViBe算法。与传统的方法不同,ViBe使用第一帧来构建背景模型,并随机更新样本。随机策略保留了样本指数衰减的平稳周期。然而,使用第一帧来设置背景时,ViBe算法将在第一帧显示时将其识别为前景。在很长一段时间内,兴趣区域不能淹没在引起“鬼影”现象的背景中。此外,背景中不规则的闪烁像素也会干扰前景检测结果,这不利于后续检测。为了解决上述两个问题,本文提出了一种基于ViBe的改进算法。利用帧间差分的实时特征,将ViBe算法所得结果的图像和三帧差分的图像结合起来,降低了“鬼影”的现象。随后,采用自适应阈值代替无变化阈值,这可以抑制光和抖动的影响。因此,检测性能得到了提高。据了解,目前各种跟踪算法大致分为两类:确定性算法和随机算法。经过多年的努力,针对各种跟踪场景提出了丰富的跟踪算法。由于跟踪的复杂性和可变性,一些现有的跟踪算法在长期有效的跟踪中性能较差。因此,针对日益复杂的跟踪场景,提出了许多创新的跟踪方案。本文在借鉴前人文献的基础上,利用遗传算法中的差分进化算法应用于目标跟踪,这是一种流行的遗传算法。在本文中,为了更好地适应目标跟踪,改进了差分进化算法。具体而言,将两个劣势个体引入突变阶段,这进一步丰富了群体的多样性并加速了后代的进化。本文还进行了多次图像预处理,并构建了目标的自适应高斯混合模型来处理复杂的跟踪场景。实验结果表明,基于改进差分进化算法的跟踪方法在几种具有挑战性的跟踪场景中表现出更高的跟踪精度和更快的跟踪速度。