智能视觉监控是计算机智能化的一个重要的研究课题,广泛应用在安全监控、智能交通、军事制导、视觉导航、气象分析以及医疗诊断等众多领域。此外,监控系统与无线网络的结合拓宽了监控系统的应用范围,因此加强对监控系统的智能化、网络化和无线化研究具有极大的学术价值、社会价值和经济价值。视觉监控中,如何对场景中的运动目标进行跟踪与分类是人们普遍关注的问题,也是当今研究的热点,特别是在室外的复杂背景下,由于目标的尺度伸缩变化、光线变化、平移、旋转、遮挡和形变等情况时常存在,很难对目标进行准确跟踪与识别。本文在研究多种常用跟踪和匹配算法的基础上寻求有效的解决方案,实现高精度、高鲁棒性、高实时性的运动目标跟踪与匹配算法。文中以人或车为检测对象,在摄像机固定的情况下,对视觉监控系统中复杂背景下的运动目标进行检测与跟踪,并对运动目标进行分类,达到智能化的目的。主要研究内容如下:1、研究了图像预处理算法包括图像增强、图像平滑、图像锐化等,并对各算法进行分析,得出结论。2、研究了帧间差分法、背景相减法和光流法,分析三种方法的优缺点。提出了“三帧差分和背景相减相结合算法”。该算法消除了帧间差分法带来的“重影”和“空洞”现象,能够较完整地提取出运动目标的轮廓。实验结果表明,此算法可以有效适应光线等环境变化,达到了快速准确地检测运动目标的目的。3、研究了图像配准方法和图像匹配技术。提出了“SIFT匹配算法”,并与三帧差分和背景相减算法相结合识别人或车。实验结果表明,SIFT匹配算法能够在库模板与待识别目标相同的情况下,目标存在尺度伸缩变化、光线变化、平移、旋转和形变等情况下进行准确、鲁棒匹配;与三帧差分和背景相减算法相结合能够在库模板与待识别目标相似而不相同的情况下,目标存在上述情况时对目标进行分类,达到准确、快速匹配。4、研究了Camshift(Continuously Adaptive Meanshift)连续自适应均值漂移算法和Kalman滤波算法。提出了“Camshift与Kalman相结合算法”。该算法在Kalman滤波框架内,结合颜色直方图和滤波预测对目标进行跟踪,来解决运动目标的伸缩和形变。实验结果表明,在目标颜色与背景颜色差异较大的情况下能够准确锁定目标,且轮廓标识大小基本保持不变。