运动目标检测和跟踪技术是机器视觉的核心技术,也是光学成像系统的研究热点问题。近几年来,许多用于运动目标检测和跟踪的算法陆续提出,大量新的思想、新的技术手段被应用到运动目标检测和跟踪技术中来,在很大程度上推动了其发展。论文针对复杂地物背景下的运动目标检测和跟踪技术展开研究,全文主要工作和研究成果总结如下:1、针对光流场分割不准确的问题,研究了基于同向速度累加FBM(Fractal Brownian Motion)模型光流场分割算法,为后续视觉显著图双重分割提供前景知识。利用基于FBM模型的光流法计算自然图像的光流场,结合光流二维矢量性,首先计算同一方向上速度幅值的累加和构成加权速度方向直方图。根据直方图峰值对应的速度方向,分割出运动目标,为下一步显著图分割提供正样本。2、针对传统光流目标检测算法自身缺陷导致对运动背景和复杂地物背景运动目标检测能力的不足,研究了基于前景知识和背景知识对视觉显著图二重分割的目标检测算法。SLIC图像分割算法将图像分割成若干超像素区域,减少了计算视觉显著图的单元。根据流形排序算法求得各个超像素的显著值,从而得到视觉显著图。将图像四个边界所在的超像素作为背景标记为负,光流法检测到的目标区域标记为正。最后通过这些正、负标记区域,根据流形排序的标签传递规则重新赋予所有超像素显著值,再利用简单的阈值分割就能分割出运动目标。3、针对TLD(跟踪-学习-检测)算法不能抗遮挡和相似目标干扰的缺陷,研究了改进的CTLD(上下文跟踪-学习-检测)算法。通过提取目标Haar-like特征,并利用随机高斯矩阵将高维Haar-like特征压缩到低维空间。采用结构风险最小的SVM分类器学习训练低维Haar-like特征,寻找距离分割超平面距离最远的正样本作为检测器跟踪结果。上下文学习算法作为跟踪器,利用目标和目标周围的上下文环境空域短暂相关性预测目标位置进行跟踪。详细推导了目标尺度变化,再根据Mean-shift算法预测目标旋转因子,以便精确跟踪。最后利用历史目标模板库分别和检测器结果、跟踪器结果计算归一化自相关,选取两者中最优的作为跟踪算法最后结果。4、用本文提出的检测算法和跟踪算法对若干图像序列进行检测和跟踪,并与经典算法进行比较,实验结果表明本文算法能够更好地对复杂地物背景下运动目标进行检测和跟踪。