监控视频下的前景目标检测与追踪一直都是数字图像处理、机器视觉等领域的重点,也是难点。特别前景目标检测更是重中之重,是后续前景目标追踪和识别的基础,前景检测效果的好坏直接影响后期追踪和识别的效果。因此本文主要研究多环境下的前景目标检测算法,对传统各类算法从原理上进行研究,并通过实验分析各自的优缺点,进而从中进行改进。首先,本文总结了当前监控视频下的前景检测流程与模型,从而对不同的模型进行专门的研究。其中前景检测算法主要分为帧差法、背景建模法、光流法以及深度学习方法,本文主要研究前两种类型的相关算法。对于帧差法,本文对比了相邻帧间差分法和三帧差法,发现三帧差法较前者具有更好的检测效果;对于背景建模法,本文除了研究传统背景差分法和高斯混合模型,而且还研究了基于帧间差分和背景差分的运动目标检测算法和VIBE算法,通过实验发现,在动静态背景下的检测,背景建模类的算法效果一般都比帧差法好很多,但是帧差法在检测速度上却远远高于背景建模类的算法,具有更好的实时性;但是这俩类算法对于由静止状态突然转换到运动状态的前景目标都表现出极差的检测效果,特别背景建模类算法都会出现“鬼影”检测问题。其次,本文特别针对于“鬼影”检测问题而提出了一种基于改进三帧差法和改进高斯混合模型的前景检测算法。对三帧差法加入领域信息对其改进,对高斯混合模型加入统计学方法优化其初始化,再利用EM算法快速迭代使其各参数达到最佳。利用高斯混合模型检测的前景区域与改进的三帧差法检测的前景区域模板mask进行匹配,保留匹配前景,对于没有被匹配到的前景区域视为‘鬼影’区域,对鬼影区域像素点统计出像素值出现频率次数最大的值来替换掉该区域最大权重高斯模型的均值?,快速重建背景,从而解决了检测空洞和检测‘鬼影’问题。实验结果表明,本算法在各种不同背景下的前景检测具有更好的鲁棒性,准确性,并在查准率和查全率优于传统算法。最后,本文利用改进三帧差法的强实时性确定前景目标区域,通过连通性分析得到mask模板实现对Mean-Shift(均值漂移)算法初始化人工裁取前景目标模板的替换,并且加入匹配条件和校正条件。通过实验发现,本文改进后的Mean-Shift算法能够一定程度上实现自动单目标和多目标的跟踪。