视频图像中人体的检测与跟踪是智能监控、人机界面等视觉系统的重要组成部分。本文分别对运动人体的检测与跟踪算法进行了研究和实现。在运动目标检测中,一种比较成功的思想是用高斯模型对每个像素建模,但这种方法在初始化学习的过程中,速度比较慢,而且其检测速度与稳定性之间难以平衡。本文提出一种利用隔帧差分来重构背景的运动人体检测算法,其通过多帧差分图像中稳定的背景像素相互补充,重构完整的背景。本文对两种方法进行了比较分析,实验证明,本文的算法背景学习速度快,并具有更好的前景分割效果。Meanshift算法不考虑运动物体的位置和速度信息,当跟踪过程中出现背景复杂或遮挡干扰时,跟踪容易失败。本文一方面把卡尔曼滤波融入到Meanshift算法中,跟踪过程中,人体的位置信息可以被卡尔曼滤波所预测,弥补了Meanshift算法的不足。另一方面,考虑Meanshift算法通常是利用单一的特征空间进行跟踪,本文提出了一种自适应特征选择的目标跟踪算法。其联合了色度和灰度梯度两个特征空间,并通过本文定义的空间距离,对特征空间进行自适应选择。同时,考虑一个实际的跟踪系统要求跟踪窗随着目标变化自适应的调整,本文引入了积分投影法来解决跟踪窗尺度变化的问题。实验证明,在环境复杂和遮挡情况下,本文的自适应特征选择算法比Meanshift结合卡尔曼算法取得了更好的跟踪效果,实时性和准确性都得到了提高。