基于视频的运动目标分析技术融合了计算机视觉、数字图像和自动化控制等各个学科领域的知识,为武器装备、情报分析系统、卫星、飞机、轮船、导弹等提供可靠的定位、探测、侦查、导航等信息。其中,运动目标检测与跟踪是视频运动目标分析系统中关键的技术。国内外有很多学者对目标检测算法进行了大量的研究,取得了不少的成果,即使如此,运动目标检测算法仍没有达到复杂场景的要求。视频运动目标跟踪技术发展迅速,根据不同的应用场合,学者们提出了众多的运动目标跟踪算法。根据跟踪目标的表示方法的不同,单摄像机的目标跟踪算法主要有点跟踪、剪影跟踪、核跟踪以及结构模型跟踪,这种分类方法概括了目前大多数目标跟踪算法。由于运动目标所处环境的光照和天气的变化、遮挡、目标姿态变化等原因,对检测与跟踪算法鲁棒性、准确性和实时性都会造成影响。在运动检测算法方面,论文对现有的运动目标检测算法做了深入研究,针对传统目标检测算法存在的问题,研究了一种基于Adaboost算法与BP神经网络相结合的BP_Adaboost分类检测模型,通过Adaboost算法得到多个BP神经网络弱分类器组成的强分类器对目标进行检测,用该模型对最常见的视频中的行人进行检测,提高了行人检测的准确率。实验结果分析表明,该方法能够准确地分类检测出运动目标,很大提高目标检测算法的鲁棒性。目标特征提取方面,针对目标所在环境复杂的情况,常用的颜色、纹理、灰度和边缘特征等目标特征虽然表述结构简单,但易受到环境中外界因素的干扰,对目标跟踪准确性影响很大。为了解决这个问题,论文研究了通过提取目标的局部特征来提高跟踪算法性能,论文采用Harris算子提取目标的特征角点,作为神经网络的输入特征样本集,提高了目标跟踪算法的实时性。在运动目标跟踪方面,论文重点研究了基于Camshift算法的运动目标跟踪,当目标运动过快时,由于目标运动方向的不确定性,Camshift不能准确跟踪目标,导致跟踪丢失。针对存在的问题,论文在Camshift算法中引入目标运动轨迹的预测这一思想,研究了一种能有效跟踪运动目标的新方法,对传统Camshift目标跟踪算法进行了改进,实现了对运动目标快速、准确地跟踪。