基于计算机视觉的目标检测与跟踪是计算机视觉领域的主要方向。它是对视频图像中动态区域分析,检测、获得运动目标,对其进行定位、获得动态目标的特征参数,以此获得目标的运动轨迹,达到跟踪的目的。目前,目标遮挡、目标尺寸变化及背景颜色相似性干扰等问题仍影响着目标检测和跟踪算法的效果。本文针对以上问题,对传统的目标检测及跟踪方法进行研究分析并提出改进,通过仿真实验证明改进算法的效果优于传统算法。本文内容如下:(1)在目标检测方面,首先分析了静态场景下常见的三种检测方法,通过对比分析它们的优缺点,改进传统算法并将改进的算法相融合。传统混合高斯背景模型的学习率是个稳定值,因此提出更新学习率,提高算法对实际场景的应变能力。混合高斯背景模型提取目标完整,但是对环境噪声敏感;对称帧差法计算量小,但它检测的目标不完整。基于这两种检测算法的特性,本文提出将它们相融合,这种方法不仅能消除对称帧差法中的‘空洞’现象还可以改善混合高斯模型对环境敏感的情况。边缘检测方法的边缘含有丰富的内部信息,还能很好地利用了运动区域的空域信息。而改进的算法只利用了目标的时域信息,因此又把改进的算法与边缘检测算法相融合,能很好地运用目标的时空域信息。仿真结果表明,改进算法在室内外场景下的检测效果都比传统目标检测算法好。(2)在目标跟踪方面,Meanshift算法不能自适应调整窗口大小,因此重点分析了Camshift跟踪算法。Camshift算法可自适应调整跟踪窗口大小,且在固定场景下不易受目标尺寸变化、形变等影响。但它没有考虑待测运动目标的运动方向,导致它极易丢失目标。本文针对这些问题提出改进,初始化检测出来的运动目标为跟踪窗口,优化传统方法须手动选择运动区域的缺点。并将Camshift算法和Kalman滤波相结合,由Kalman来预测后一帧图像中的运动目标位置,解决了运动目标被遮挡的问题,改善跟踪效果。对固定场景中人和车辆的仿真测验,验证了改进算法的跟踪效果比较好。