视频序列分析是机器视觉领域中的一个十分活跃的分支，它的一个土要应用就是视频序列中运动目标的检测、跟踪和识别，利用视频成像技术获得目标序列图像，再从序列图像中分割出运动信息，对诸如飞机、车辆和行人等运动目标进行实时分割、定位、跟踪和识别。由于视频运动目标检测与跟踪在国民经济和军事领域的许多方面有着广泛的应用，所以它的研究受到各国科学家的普遍关注。同时，运动目标分析的关键技术也是机器视觉的其它应用领域如视频检索和视频压缩编码等技术的基础。 运动目标的检测、识别在机器视觉中起着承上启下的作用。本文针对运动目标检测、跟踪和识别中存在的关键问题如运动目标分割、阴影去除、跟踪和识别，进行了相关的理论研究，并将研究结果应用到实际的ITS系统中。本文主要完成了以下有特色的研究工作： (1)在对帧间差方法、光流场方法以及背景重建方法等运动目标分割的相关理论进行研究的基础上。着重研究了利用高斯混合模型背景重建分割运动目标的方法。提出了在象素级、区块级和帧级利用颜色和纹理信息从视频图像序列中提取运动目标的算法。算法在象素级利用基于YUV颜色空间的高斯混合模型进行背景估计，为了使算法适应交通繁忙区域的情况，结合帧间差方法自适应地调节学习速率α；在区块级利用图像的结构信息来滤除区域亮度变化对目标分割的影响；在帧级进行图像帧之间的亮度比较，从而消除环境亮度的突然变化对目标分割造成的影响。 (2)针对混合高斯模型建立初始背景慢的缺点，本文提出了采用稀疏贝叶斯结合光流场和差分信息进行背景初始化的方法，大大地加快了高斯混合模型建立初始背景的速度。 (3)运动阴影检测是目标正确分割、识别的关键。本文在分析了阴影的光学特性的基础上，提出了一种基于YUV色彩空间的阴影快速检测算法。这种算法无需知道光源位置、场景几何特性以及运动目标模型等参数，具有计算速度快，对室外环境适应性强的特点。它利用当前帧与背景进行差分，提取出序列中的运动部分，然后利用阴影区域的亮度和色度变化规律去除掉阴影部分。此方法与基于其他颜色空间的检测算法的对比实验表明该方法具有较高的检测速度和较好的检测效果。 (4)稀疏贝叶斯学习方法是一种统计模式识别方法，它可以在小样本的情况下，取得较好的分类识别效果，它不仅具有支持向量机的避免过学习的优点，而且比支持向量机使用较少的核函数。本文在深入研究稀疏贝叶斯理论的基础上，分别提出基于稀疏贝叶斯方法的目标跟踪和人车分类识别方法。基于稀疏贝叶斯匹配的跟踪方法克服了SSD算法中对光照变化比较敏感的缺点，同时又比支持向量机跟踪算法(SVT)具有较高的运算速度和较稳定的运算结果。 (5)将视频运动目标的分割、识别理论应用到ITS中。设计并实现了一个基于PC平台的视频流量检测系统，该系统能够进行车流量、车速、排队长度等交通流量的检测，并通过了室外长时间的检测。为了识别出车型信息，提出了基于稀疏贝叶斯的车型检测方法；为了降低成本，还用单片机和FPGA实现了一个交通流量检测系统的硬件系统；设计并实现了一个车牌识别系统，它用纹理和色彩信息相结合的方法来进行车牌的定位，用稀疏贝叶斯方法对车牌字符进行识别。 (6)利用现有交通参数信息进行交通流量的预测是动态交通分配的前提，本文提出了基于稀疏贝叶斯回归方法的交通流量预测。与其他预测方法比较，它具有较高的预测精度。