在人所感知的视觉信息中，动态视觉信息是其主要组成部分。尽管人类的视觉既能看见运动又能看到静止的物体，但是在许多场合，比如重要场所的安全监控、汽车的自动驾驶和辅助驾驶、交通流量的控制、军事视觉制导等，人们往往只对运动目标或物体感兴趣。因此，研究运动目标的检测和跟踪，有很大的现实意义和理论价值。 本文主要研究了面向重要安全场所的视频监控的关键技术。重点研究静态背景下运动目标的检测、目标跟踪、轮廓跟踪以及特殊目标如人脸的跟踪等方面的研究内容。主要工作有: 1、静态背景下的目标检测。分析当前目标检测算法的原理，针对具体的应用背景，提出了基于灰度和边缘差分的目标检测算法，并使用高斯模型为背景图像建模，在对视频图像处理的过程中，使用自适应的背景模型更新算法对背景模型进行修正，经过修正后的背景模型能够及时反映出背景的动态变化。首先通过减运算得到背景和前景图像的灰度差分图像，并对其取绝对值；然后利用Sobel算子对两帧图像进行边缘检测，并进行边缘差分；最后将两次差分结果进行逻辑或运算，得到运动目标的检测结果。该方法能够在较大程度上满足系统的要求，提高检测结果精度。 2、目标跟踪。针对均值漂移算法存在的不足，利用连续自适应均值漂移算法(CamShift)进行目标的跟踪。CamShift是一种应用颜色信息的跟踪算法，在跟踪过程中，CamShift利用目标的色彩直方图模型得到每帧图像的色彩投影图，并根据上一帧跟踪的结果自适应调整搜索窗口的位置和大小，从而得到当前图像中目标的尺寸和中心位置。该算法在图像背景复杂且目标不规则运动的情形下，仍能有效跟踪到目标。 3、目标轮廓跟踪。提出水平集(Level Set)和均值漂移(Mean Shift)相结合的跟踪算法。因为水平集方法的计算量比较大，利用改进的不需要求解PDE(Partial DifferentialEquations)方程的算法，此算法主要是根据像素单元之间的交换操作来演化边界线，同时引入高斯滤波函数保持边界线的光滑性。首先利用Level Set得到目标的初始轮廓:然后利用Mean Shift预测下一帧目标的位置，得到目标的粗轮廓；最后利用LevelSet得到目标的精轮廓。该算法的最大优点在于利用Mean Shift粗略得到目标的轮廓，这样作为Level Set初始演化曲线的轮廓可以避免水平集函数演化时跨过边界，同时大大降低了水平集方法的迭代次数，更好的保证了跟踪的实时性和鲁棒性。 4、特殊目标跟踪。针对人脸跟踪，提出AdaBoost和CamShifl相结合的快速跟踪算法。首先利用AdaBoost算法检测到人脸位置，并将其值作为CamShift的初始跟踪窗口；然后利用CamShift预测下一帧人脸位置，得到目标区域；最后在目标区域内定位人脸。该算法能够实现人脸的跟踪，具有较好的鲁棒性和实时性。