在实际生活中，摄像机经常被安装在停车场、交通路口、机场、银行等地方进行监控。由于需要配置人员来进行持续的监控导致这是一项乏味并且耗时的工作。如果能够开发一套自动化的系统去分析监控视频流，获取所需要的信息并做出相应的决策，那么能够节省大量的人力和物力，具有十分重要的现实意义及经济价值。本文在分析现有的运动检测与跟踪方法的基础上，从图像处理的角度，对基于混合高斯背景建模的运动检测方法进行深入研究，并采用目前使用最广泛的KLT（Kanade-Lucas-Tomasi）跟踪算法进行对象跟踪并进行人数统计，本文主要研究内容包括：1.基于混合高斯模型的算法改进。首先，我们通过实验分析混合高斯模型在背景分割中的一些缺陷；然后，针对这些缺陷我们对原算法提出了一些改进思路，改进主要分为以下五个方面：1）基于块的背景建模；2）背景模型判别准则；3）模型参数初始化；4）模型学习与背景更新；5）光照突变检测。2.背景建模。为了验证改进后算法在不同环境下的背景分割效果，我们在不同场景下的视频数据库上进行测试。实验设计思路如下：1）室外环境下对算法分割性能的影响，并与其他改进算法比较分析；2）室内外环境下算法分割性能对比；3）验证物体在高速运动情况下对分割的影响；4）算法的光照突变检测；5）复杂场景下改进算法的分割效果。通过各种场景下的实验结果对比分析，证明了我们算法的分割效果优于原算法。3.对象统计。基于前面我们提出的改进的背景分割算法，结合KLT跟踪算法，我们采用模式识别分类的思想，设计了一套基于单摄像头的公交人数统计系统，对上下车乘客进行人数统计。首先，对视频流采用改进后的背景建模方法进行对象目标检测；其次，用KLT算法对分割出的行人目标进行特征点检测和跟踪；然后，对跟踪特征产生的轨迹进行实时聚类；最后，将聚类结果输出，得到人数统计结果。系统有效的解决了在上下车拥挤情况下的行人跟踪问题以及摄像机抖动问题，使目标跟踪系统获得较高的可靠性和鲁棒性。论文对复杂场景下运动目标检测与跟踪算法进行了比较深入的研究，重点针对目标分割、目标建模、遮挡、对象统计等关键技术问题，提出了新的、有效的解决思路和实现方案。