在应用场景的背景多样和运动目标运动形式多变的情况下,应用运动目标检测与跟踪技术将给人们的工作带来很多方便,但是在场景变化的情况下,运动目标检测与跟踪中的背景建模、干扰检测、阴影消除和运动目标实时跟踪等关键问题变得更为复杂。现有的运动目标检测和跟踪算法精度不高或实时性差。因此对基于场景变化的运动目标实时检测与跟踪技术研进行究具有重要的理论价值和实际意义。在这种背景下,本文在分析和了解已有运动目标检测与跟踪技术的基础上,深入研究运动目标检测与跟踪中的图像预处理、运动目标检测和运动目标跟踪三个关键技术,进行了一些改进和新的尝试。主要成果有:(1)研究了图像预处理技术的噪声滤除和图像分割技术。阐述了噪声滤除中均值滤波、中值滤波和小波滤波的基本原理和具体做法,并对它们进行分析和仿真实验比较。在图像分割技术中阐述了几种边缘检测算子和二维最大类间差方差法,并利用遗传算法的并行计算和智能搜索特性对二维最大类间方差法进行了改进。(2)针对运动目标检测研究中面临的问题,本文对基于光流场的检测算法、基于帧间差分的检测算法和基于背景消减的检测算法进行了研究,具体阐述了改进K-均值聚类的背景模型和混合高斯背景模型。给出了一种基于三向量背景模型的运动目标实时检测算法,在HSV颜色空间进行背景建模,根据背景的混乱程度和各种干扰情况,进行模型更新,利用阴影的色度、亮度和交叉熵特征滤除阴影的影响,并对算法进行了仿真验证,在实时性和检测效果上均取得了较好的结果。(3)对现存的各种运动目标跟踪算法进行了研究。在总结基于模型的跟踪算法、基于特征的跟踪算法和基于区域的跟踪算法的基本思想和优缺点,以及具体阐述基于卡尔曼滤波的跟踪算法、基于CamShift的跟踪算法、基于MeanShift的跟踪算法和基于粒子滤波的跟踪算法的基础上,本文对传统的粒子滤波算法进行了改进,采用色度、亮度和边缘信息进行特征匹配,对这些特征赋予不同的优先级,并与MeanShift算法相结合,使运动目标跟踪的速度和精度有了很大提高。(4)最后,为了验证本文所提的理论算法的可行性,并为今后的工程项目和研究提供原型系统,设计了一个实验仿真系统,对本文的算法进行综合测试和实验验证。