随着视频监控的应用范围不断扩大,单纯使用人力处理监控视频变得不再可能。能够自动处理监控视频的智能监控算法是该领域未来的一个重要发展方向。在本文中,我们提出了一种基于GPU加速的改进像素自适应分割及跟踪算法。该算法能够自动分割出视频图像中的运动目标,并对这些目标进行跟踪。该算法可以作为智能监控系统的基础算法。我们提出的基于GPU加速的改进像素自适应分割及跟踪算法本质上是一种运动目标分割及跟踪算法。所以我们提出的算法可以分成两个算法模块——运动目标分割模块和目标跟踪模块。本文将围绕我们对这两个算法模块的各种改进进行展开。对于运动目标分割(也被称为前景检测),基于像素的自适应分割器(The Pixel-Based Adaptive Segmenter,PBAS)方法是一种十分经典的算法。然而,该算法有两个很难解决的缺点。第一个缺点是该算法运算速度无法满足更高的实时性要求。对此,我们通过使用GPU来处理该算法最耗时的距离特征提取模块来加速该算法的运算速度。另一个缺点是该算法对于在动态背景场景或间歇运动场景中运动目标分割不够有效。对此,我们基于PBAS提出了一种新的运动目标分割算法。我们将这种新算法简称为We PBAS(The Weight-Pixel-Based Adaptive Segmenter)算法。We PBAS算法相对于PBAS算法在动态背景场景和间歇运动场景的检测性能更为优越。在We PBAS算法中,我们首先引入加权背景样本的结构。在背景模型更新阶段,不同于PBAS算法的“随机更新”模式,We PBAS使用“最小权重更新”策略和“最短匹配距离更新”策略。“最小权重更新”策略能使算法替换效率最低的背景样本。“最短匹配距离更新”策略又允许算法对背景模型进行微调以适应背景中的缓慢变化。这种机制改善了算法在动态背景场景中的检测结果。另外,我们引入了一个改进的前景计数器,使算法根据视频距离阈值的分布自适应地调整计数器参数,以提高间歇运动场景中的检测结果。在CDnet2012数据集上,我们提出的We PBAS算法相对PBAS算法的F-Measure提高了1.55%。在CDnet2012数据集的动态背景子数据集上,我们提出的We PBAS算法相对PBAS算法的F-Measure提高了9.79%。在CDnet2012数据集的间歇性运动子数据集上,我们提出的We PBAS算法相对PBAS算法的F-Measure提高了3.16%。由于很多监控场景关注的运动目标都只是行人,所以我们算法设计成只跟踪运动的行人目标。当运动目标分割模块检测出运动目标的包围盒后,我们先利用HOG-SVM(Histogram of Oriented Gradient-Support Vector Machine)行人检测算法判断该包围盒中是否为行人目标。之后我们再将分辨出的行人的包围盒信息传给目标跟踪模块。这将有效防止算法对错误的目标或者前景噪声块进行跟踪。对于被检测出来的目标跟踪问题,核化相关滤波(Kernelized Correlation Filters,KCF)方法是前人提出的性能比较突出的目标跟踪方法。但是KCF方法无法较好地处理目标尺寸变化、部分遮挡等问题。在本文的目标跟踪模块中,我们提出了一种改进的尺度自适应的KCF目标跟踪方法。该方法通过尺度池策略能够较好地处理目标尺度变化的情况。同时,我们利用运动目标检测模块所获得的前景区域信息对跟踪算法的输入进行去噪处理,以消除背景对目标跟踪算法的影响。与KCF跟踪方法相比,我们提出的跟踪方法在部分遮挡、背景杂乱、尺寸改变等情况发生时对目标具有更好的跟踪效果。在论文的最后,我们对所提出的运动目标检测与目标跟踪方法在定性与定量上与原始方法进行了充分的比较。从实验结果中可以看出我们提出算法所取得的明显进步。