随着人工智能和计算机技术的发展,机器视觉技术研究取得了长足的进步,并引起了越来越多的关注。目前,根据机器视觉完成的运动检测、识别、跟踪广泛地应用于国防建设、航空航海、医药卫生、安全监控等国民经济的各个领域。运动检测与跟踪则是其中一个重要的研究方向。运动检测的目的是检测某监控区域内是否出现目标物体并确定目标出现的位置、大小等信息;目标跟踪的目的是对选中的目标进行轨迹的描述,涉及到目标特征的提取、特征描述、目标匹配等多个方面。本文研究的主要目标是仿真实现对视频序列中人体运动目标的实时监控。系统主要由检测与跟踪两个模块构成,文中分别对检测和跟踪的算法进行了分析和研究,并提出相应的改进依据和改进方法,最后将两者结合,实现了在静止背景与微弱动态背景下对人体目标的全自动准实时的跟踪。本文首先提出了一种适合静止背景与微弱动态背景视频序列的运动目标检测方法。该方法首先对象素做混合高斯建模(Gaussian Mixture Model,简称GMM),在判断像素是背景还是前景点时,传统GMM采用了参考相同位置上像素样本的期望和方差参数的策略。然而像素邻域间的信息对像素的分类至关重要。基于此,在判决过程中,提出对前景点集做空间域二次判决的策略。空间域二次判决在一次判决的基础上,利用邻域像素的历史统计值信息进行重判决,可筛选出“伪前景点”,解决混合高斯模型分离法无法正确检测背景物体棱角、边缘处像素的问题。运动检测的另一个难点是阴影消除。本文结合背景像素亮度特性,对前景像素的归一化亮度进行空间域二次判决,同样取得良好的去除阴影效果。最后,经过对GMM背景分离法的多次试验分析,对部分参数进行了优化:将建模空间从一维推广到三维,并重新定义了方差收敛函数。实验证明基于空间域二次判决策略的GMM分离法可降低背景像素的误检率和有效抑制运动物体的阴影。本文的跟踪算法主要基于Mean-Shift算法和粒子滤波算法。在Mean-Shift理论的分析基础上,首先归纳了Mean-Shift算法在跟踪应用上的具体步骤。其次,从图像处理学角度上定义了目标可见度,并给出相应的数学计算式。通过目标可见度和Mean-Shift核函数带宽作用的研究,阐述了在目标遭遇遮挡和动态复杂背景情况下跟踪效果不佳的原因。针对目标大面积遮挡的情况,本文提出多项式拟合运动曲线的方法来估算目标处于遮挡状态时的位置;针对动态复杂背景,本文结合粒子滤波和Mean-shift各自的优点,设计了基于粒子滤波器的Mean-shift跟踪算法。跟踪算法选举图像核直方图作为目标模板的特征描述,在跟踪过程中,能自适应调整标准模板,并可自动调节跟踪区域的大小。本文最后在PC平台上实现了一个基于EasyVideo数字视频处理软件开发包的运动物体检测跟踪系统。实验结果表明,该系统对运动物体检测效果良好,能有效抑制阴影,并能在目标处于遮挡的情况下和动态背景下正确跟踪目标。