运动目标检测与跟踪是应用视觉和运动图像编码研究领域的一个重要课题,在虚拟现实和视觉监控领域有着广泛的应用。运动目标检测就是判断视频序列中是否存在运动目标,并确定运动目标的位置。运动目标跟踪是指在整个视频序列中监控运动目标的时空变化,如目标的出现与消失,目标的位置、尺寸和形状等。运动目标的检测与跟踪是紧密关联的两个过程,跟踪始于检测,而目标在后续图像序列中的重复检测也有助于对目标更加精确的跟踪。本文在研究比较了几种常用的视频序列中运动目标检测方法后,结合本论文的实验场景,采用了基于背景差分法的多模态背景建模方法,提取运动前景,利用其自适应性和动态更新特性有效地反应背景的动态变化。但是这仍然不能很好地滤除掉背景中存在的不感兴趣目标,结果使得感兴趣目标和不感兴趣目标同时存在,这严重影响了后期轨迹跟踪结果。基于此原因,本论文提出了一种改进的基于背景差分法的多模态背景建模算法—基于特征的运动物体滤除法,当背景存在不强烈的光照变化或是轻微晃动时,在自适应的运动目标特征学习过程中,可以有效地去除多模态背景建模方法误判和错检情况造成的前景不准确提取,这对于后期轨迹跟踪有着重要的作用,降低了对于不感兴趣运动物体的报警错误率,可以说,在现代这样一个追求经济效益,倡导建立节约型社会的环境下,降低误报率无疑可以节约大量的人力财力。有了高准确度的目标检测结果,本文利用MeanShift算法和Kalman预测器在运动目标轨迹预测方面的优势,加入了前景检测结果作为Kalman预测器的初始输入,进一步提高了目标跟踪的准确性,较好地处理了目标浅度遮挡时的跟踪问题。为后一步实现轨迹偏离的判定提供了可靠的信息和良好的基础。为了将得到的目标运动轨迹加以利用,本文基于Windows平台,通过自适应地学习目标的运动模式,设计实现了一个基于偏离阈值的偏轨报警系统。无论在室内还是室外,背景存在轻微晃动,或变化不明显时,以一种用户可定制的方式提供参数选择,增强了方案的灵活性。最后,在不同的实验条件和参数选择下,使用此系统进行了大量实验,全面分析了实验结果,证明了本论文所提出的改进的运动目标检测方法可以很好地滤除不相关的目标,保存感兴趣目标,提高了跟踪精度和报警正确性,并具有一定的鲁棒性。