随着计算机和数字图像处理技术的迅速发展,基于计算机视觉的智能监控已逐渐应用到公共安全、智能交通、军事、工业检测等领域,而视频中的运动目标检测与跟踪是智能监控研究中最关键的问题之一。通过利用计算机视觉技术对视频进行处理,让计算机真正拥有“看”的本领一直以来都是计算机视觉的目标。本文研究了计算机视觉中的单应矩阵估计问题及运动目标检测与跟踪,主要的工作有:1、如何准确估计单应矩阵仍然是计算机视觉中一个具有挑战性的问题。到目前为止,单应矩阵的估计几乎是在RANSAC框架下进行。而本文给出了一种基于四边形四个点顺序保持约束及相似性测量方法的单应矩阵估计方法。该方法无需在方法RANSAC框架下进行,它不需要重复地估计单应矩阵,并且耗时较少。仿真实验分析了外点比例和噪声水平对单应矩阵估计精度的影响,真实图像实验比较了该方法和其他方法的单应矩阵估计效果。2、针对传统 TLD(Tracking-Learning-Detection)算法消耗时间多,跟踪速度慢,运动目标移动速度快而跟踪不上等问题,本文改进了 TLD算法中的跟踪模块和检测模块。该改进方法根据运动的连续性,让跟踪和检测都在上一帧跟踪目标的邻域进行,并在检测模块中引入HOG特征检测和SVM分类器。并且为了进一步加快算法的运行速度达到实时效果,使用了多核并行编程技术。针对真实足球比赛视频中的足球和运动员,实验中分别验证了改进TLD算法克服遮挡能力和克服目标消失后再次出现重新跟踪的能力以及跟踪快速移动目标的能力。结果表明该改进算法的跟踪正确率、实时性以及鲁棒性都优于传统TLD算法。