智能视频监控系统具有广阔的应用和开发前景,在该领域研究中,对图像的运动的目标检测和背景分析是当前计算机视觉领域的一个重要研究方向。运动目标检测的目标是在视频序列图像中将运动变化目标区域从背景图像中提取出来,以此跟踪和分析运动目标的存在,为后期的智能预测和视觉处理打下基础。但由于背景图像的动态变化,理想不变的背景模型往往是很少存在的。如何解决对复杂场景下的背景建模,获取实时的背景更新以分离背景和前景,同时对运动目标进行跟踪,这是当前研究的热点,也是本文的主要工作内容。本文主要从以下两个方面进行阐述：(1)本文介绍了多种常规背景建模方法,并进行了分析和比较。首先介绍了背景减法基本理论和典型的背景建模方法以及详细的推导,非线性贝叶斯预测理论,卡尔曼滤波理论和混合高斯模型的建立,对混合高斯算法作了详细推导,指出参数密度估计理论的不足。简述了密度估计量的基本性质以及密度估计通用表达式,介绍常用的直方图密度估计方法以及核密度估计方法。分析了影响估计结果的因素并给出了不同情况下的密度估计结果,指出了直方图密度估计的优缺点并且分析了核密度估计的渐近收敛特性。同时还简要介绍和分析了其他两种密度估计方法,即K近邻法和基函数展开法。(2)提出了一种稳定的非参数估计背景建模算法,对影子的检测和抑制错误检测方面进行了实验和数据分析。基于前面的分析和比较,在实验中,我们将核密度估计方法与高斯混合方法进行了简单的比较,重点是论证核密度估计算法的有效性。在跟踪算法中介绍了均值偏移算法的理论知识并对其算法进行了简要的概括性阐述,详细介绍了均值偏移算法中各个关键性的变量的选取原则,讨论了在多维特征空间的概率密度估计中均值偏移算法的理论推导。在选定好关键性变量的基础上描述了均值偏移理论的计算步骤,证明了均值偏移算法的收敛特性,并运用了一个相似性度量函数和统计学中的Bayes误差进行精确地样本估计和评价,以期获取更准确的目标定位,并通过实验验证了均值偏移算法的有效性。