视频运动目标的检测与跟踪技术，作为计算机视觉研究领域的核心课题之一，融合了图像处理、模式识别、人工智能、自动控制以及计算机等若干领域的先进技术，并在军事制导、视频监控、机器人视觉导航、人机交互、医疗诊断以及气象分析等方面都有广泛的应用。视频运动目标检测与跟踪的研究目的是模拟人类视觉运动感知功能，赋予机器辨识视频序列图像中运动目标的能力，为视频分析和理解提供重要的数据依据。　　 本文针对视频序列图像中运动目标的检测与跟踪问题进行重点研究。对于运动目标的检测，重点研究动态场景下如何对全局运动进行有效地估计和运动补偿以及如何快速地提取出运动目标；对于运动目标的跟踪，重点研究影响粒子滤波跟踪算法性能的三个主要因素，即粒子的贫化问题；可靠的观测模型；准确的运动模型。　　 本文具体的研究工作包括：　　 第一，针对动态场景中的运动目标检测问题，提出一种基于全局运动估计的视频运动目标检测算法。动态场景通常由于摄像机本身或者运载平台的运动而造成视频图像中的背景发生变化。针对这种动态场景中的运动目标检测，首先通过边界块的投影匹配算法较好的估计出全局运动参数，通过计算一维特征向量降低全局运动估计的计算量；然后利用高阶统计量对噪声不敏感的特性，来区分背景和运动目标，减少了噪声的影响；最后，运用形态学运动滤波得到前景运动目标的掩膜图像，准确地提取到运动目标。实验结果表明本文提出的算法能够对动态场景中的运动目标进行有效地检测。　　 第二，针对影响粒子滤波跟踪算法性能的因素之一：粒子贫化问题，提出一种改进的基于重采样方法的粒子滤波跟踪算法。粒子贫化是粒子滤波算法本身所固有的问题，当贫化现象发生时，会严重影响采样粒子对运动目标状态的描述能力。针对这种情况，本文提出一种多样性采样方法，在传统的粒子滤波重采样方法后加入多样性环节，在重采样后的粒子的邻域内按照均匀分布寻找相关粒子，使得粒子不会收敛于一点之上，增加粒子的多样性，以达到解决粒子贫化问题的目的。多组实验结果表明，本章介绍的改进粒子滤波算法对于目标的平移、转动、光照变化以及相似物干扰等复杂情况下的跟踪具有较强的鲁棒性，能够成功的跟踪目标。　　 第三，针对影响粒子滤波跟踪算法性能的因素之二：鲁棒观测模型，提出一种多特征自适应融合的视频运动目标跟踪算法。由于单一视觉信息描述目标不充分、复杂的动态变化环境下描述不稳定，因此本文利用颜色和纹理双重信息描述目标，提高复杂环境下目标描述的可靠性。在对每个特征信息进行融合时，采用民主融合策略，使得融合算法能根据当前跟踪形势自适应调整两种信息的权重，实现信息间的互补，始终利用对当前跟踪场景稳定的信息跟踪目标，解决了复杂背景下单一信息跟踪失败的问题。在设计粒子滤波算法中的似然函数时，对似然函数中的噪声参数进行自适应更新，增加采用某一种特征信息计算出来的粒子权值之间的区分性，保持当前特征模型对目标和背景的区分度，实现对视频目标稳定的跟踪，提高粒子滤波跟踪算法在复杂背景环境中的稳健性。实验结果表明，该算法在目标任意平动、转动、部分或完全遮挡，以及光照变化等情形下均有较好的跟踪结果。　　 第四，影响粒子滤波跟踪算法性能的因素之三就是要有准确的运动模型。针对运动模型不确定情形下的运动目标跟踪问题，提出一种融合目标检测的类粒子滤波目标跟踪算法。该算法首先检测出感兴趣的运动目标所在的大致区域，然后通过多样性方法在检测出的目标区域周围进行采样，接下来的步骤类似于传统粒子滤波算法，计算每个采样区域的目标特征，然后同目标模板进行比较，计算出每个目标采样区域对应的权值，最后估计出目标所在的位置。对于目标的检测，我们采用基于小波变换的背景差分目标检测算法，该方法首先通过像素灰度归类的方法进行背景重构，然后将小波分解的思想引入到背景差分当中，能较好的检测出感兴趣的运动目标。实验结果表明，该算法对于运动模型不确定情形下的视频运动目标跟踪具有较好的处理效果。