近几年来,智能视频监控技术（IVS,Intelligent Video Surveillance）成为人工智能学术界和工程界关注的焦点。基于人类视觉特性的计算机视觉技术高速发展使得智能分析技术与视频监控密切融合起来,传统的技术路线是通过对视频采集帧采用帧间差分法或者背景差分法等图像分割方法将前景目标与背景分离,并在监控区域内持续对前景目标进行跟踪。本文是对静态背景视频图像运动目标的检测与跟踪方法进行研究。静态背景视频图像是指监控摄像机固定不动时所拍摄的背景不变之图像序列。本文的创新点一是在计算机视频采集和检测阶段,传统方法是对视频信号建立了高斯混合背景模型,利用背景差分法得到包含阴影在内的前景二值图像^[1-8]。针对视频帧背景分离度不高的问题,为了最大程度地去除阴影得到高质量的被测运动目标本体图像,本文提出了一种将纹理特征和YCbCr颜色特征相结合的局部阴影检测算法,检测出阴影图像,再用前景二值图像减去阴影图像,经过滤波和轮廓填充得到质量较高的前景目标。本文创新点二是在目标跟踪阶段,由于沿用传统Camshift算法在遇到背景颜色相似干扰以及目标被严重遮挡时,不能实现目标准确跟踪。针对背景颜色相似的干扰问题,提出综合饱和度分量和色调分量二维H-S目标颜色直方图的Camshift算法,改进后的Camshift能有效克服背景颜色相似干扰,提高目标跟踪的准确度;针对监控目标被遮挡物严重遮蔽的问题,将改进后的Camshift与Kalman滤波器相结合,并提出监控目标遮挡的判断机制。通过分析Camshift算法得出的观测值与Kalman滤波器得出的预测估计值之间的距离差值,以及目标没有被遮蔽的面积与初始面积的比值,来判断目标是否被严重遮挡。当目标被严重遮挡时,Camshift计算出的目标运动位置非常不准确,用Kalman滤波器的预测估计值替代Camshift计算出的目标运动位置作为观测值,更新Kalman滤波器各项参数,并估计出下一帧的目标位置。当被跟踪目标大面积复现时,用Camshift计算出的目标运动位置作为Kalman的观测值,更新Kalman滤波器各项参数,估计出下一帧的目标位置。通过算法仿真以及场景测试,试验结果基本满足预期目标。为优化智能视频监控技术应用提出了创新方法和实践途径。