目标检测与跟踪技术是计算机视觉领域中的一个研究重点,被广泛地应用在人们的日常生活与工作当中。随着人工智能的高速发展,海量的图像序列也随之产生,对于目标检测与跟踪的实际需要也日益增加,但是实际场景中存在大量外界环境因素的干扰,例如场景中的光照突变、天气变化、人物阴影等等,使得目前为止没有一种完美的方法适用于各种复杂的场景。因此,运动目标检测与跟踪仍然是计算机视觉领域所面临的一个巨大挑战。本论文的主要研究成果有如下三个方面:一、基于改进的谱聚类的运动目标检测,主要工作如下:1.针对谱聚类算法在求权值矩阵时存在的问题,其利用高斯函数求得的权值矩阵无法反映图像空间信息,本文引入了一个含有伸长因子的新函数,充分考虑了图像中运动特征点的空间信息,使得权值矩阵更加准确;2.背景减除法得到了运动特征点能够很好地反映运动特征,但是包含了过多的噪声。本文直接用聚类的方法对特征点进行分类,从而达到背景与前景的分离,相比较于阈值筛选,用聚类的方法得到的检测结果更加准确;3.本文在背景减除法所得到特征点的基础上利用改进的谱聚类算法进行聚类,通过仿真实验证明,本文的算法使得目标检测的效果大大提高。二、基于光流场和EM算法的运动目标检测,做了如下工作:1.根据大量的实验和数据分析,光流场在目标检测时,能够很好地保留各个像素的运动特性,但存在大量的噪声,使得目标检测的效果并不准确。所以,本文采用聚类的方法对光流进行刷选,剔除噪声;2.EM算法是一种依据后验概率软聚类的方法,在利用两帧图片求得光流场后,在这个光流场的基础上利用EM算法对属于背景和目标运动场的光流分别聚类,运动目标提取更加清晰。三、基于改进的Vibe算法的运动目标检测,做了如下工作:1.针对Vibe算法在目标检测过程由于保守的更新策略而产生鬼影的现象,本文引入了一个学习率,在背景模型初始化和目标检测完之后,把当前像素构成的数据集和随机的某个背景模型构成的数据集按学习率的比例加入到该背景模型当中,使得背景模型更加丰富;2.本文的背景更新策略在对背景模型更新时加入了前景运动目标的信息,故对当前帧的运动目标区域随机地从隔行的邻域中选取像素点进行填充,然后加入到背景模型当中去,使得模型更加接近真实场景;3.用引入学习率的Vibe算法进行目标检测之后,利用形态学的开运算对其进行修饰,使得目标检测更加准确。