由于污染修复场地现场环境复杂,部分区域的有毒气体浓度过高,会对施工人员的身体造成危害。因此,如何有效的监控施工人员、准确获取施工人员的行动轨迹,防止其误至禁入范围,确定相关工人的个人保障,是污染环境修复作业亟待解决的问题。本文针对污染修复场地智能监控系统中的视频目标运动轨迹进行研究,主要包括运动目标的实时检测、稳定跟踪、轨迹提取三个阶段。本文所做的主要工作为:(1)针对污染修复现场中光线复杂多变的问题,分析了Gradient Flow、Saliency Aware Geodesic、Frequency-tuned、Geodesic Saliency、Manifold Ranking五种经典目标检测算法所存在的特点,最终提出了一种Video Saliency Detection based on Prior Fusion模型(简称VSDPF),来实现运动目标的检测。该模型采用先验融合的方法,能够有效地抑制背景区域,从而提高前景显著目标检测的完整度,并且运行效率高,满足实时系统的要求。(2)针对运动目标在污染修复环境中尺度变化快、跟踪效率低的问题,论述了Multiple Instance Learning、Tracking Learning Detection、Median Flow、Kernel Correlation Filter、Boosting五种经典的跟踪算法,最终采用fast Discriminative Scale Space Tracker算法(简称f DSST)对目标进行实时跟踪。该算法在尺度自适应视觉跟踪方法的基础上,采用特征降维和插值的技巧对算法进行了大幅加速,加速后的搜索框面积增大,精度上也有提升。(3)针对运动目标,利用中心提取法提取视频序列中施工人员的运动轨迹,该方法在污染修复场地智能监控系统中可得到应用。实验表明,提出的VSDPF模型在ViSal数据集中的平均绝对误差(MAE)约为0.096,在Segtrack V2数据集中的MAE值小于0.117,能够准确的检测出视频运动目标;所采用的f DSST模型FPS(Frames Per Second)值可达35.868帧/s,对运动目标有较高的跟踪效率,增加了轨迹提取的识别率。该算法在污染修复场地智能监控系统中得到应用,满足系统要求。