视频图像序列中运动目标检测与跟踪是计算机视觉领域的重要研究内容之一,同时也是多学科交叉的研究课题。目标检测与跟踪是后续视频分析的关键步骤,目前出现了很多目标检测与跟踪的理论和系统,但是在目标检测与跟踪的准确性和实时性上与现场要求有一定的差距。针对复杂环境下的目标检测与跟踪不理想的问题,本文以混合高斯背景建模为基础,调整混合高斯模型参数,构建图像序列中自适应更新的背景模型,从而为目标检测提供基础;以水平集理论为支撑,结合局部能量信息和改进的符号距离正则项进行准确的目标分割;最后在均值漂移框架下,利用水平集表示的各向异性核函数模型实现对目标的准确跟踪。主要研究内容如下:首先,针对非平稳背景下的复杂场景,提出了一种自适应调整K-r的混合高斯背景建模和目标检测算法。利用混合高斯模型(GMM)学习每个像素在时间域上的分布,构建自适应调整高斯分量K的方法,并针对不同情况,对描述像素的高斯分量数进行增加、删除或合并;在此基础上,模型参数更新式中引入两个新的参数kC和Kj,从而能够根据实际情况自适应调整r的值,使得背景建模和目标检测能够准确实时地随像素变化而变化,从而减少运动目标信息的损失,提高算法的鲁棒性和收敛性。其次,针对传统C-V模型对颜色不均匀图像分割失败并且对初始轮廓和位置敏感问题,以及现有符号距离正则项存在周期性振荡和局部极值问题。该文提出结合局部能量信息和改进的符号距离正则项的图像目标分割算法(LDRCV模型)。该算法在传统C-V模型的全局图像信息基础上增加局部信息能量项、曲线长度约束项和符号距离正则项,充分继承全局和局部能量泛函的优点,驱动水平集准确演化到目标边界。将全局图像信息扩展到HSV空间,并使用局部能量项信息分析每个像素及其领域内的统计特性,在较少的迭代次数内有效分割颜色分布不均匀图像。再次,对现有符号距离正则项进行改进,在避免水平集函数重新初始化的同时,解决符号距离正则项的周期性振荡和局部极值问题,提高算法效率,保证水平集函数演化过程的稳定性。对LDRCV模型中水平集演化的终止条件引入阈值判别法,检测每次迭代曲线L(C)的变化长度来判断是否需要终止迭代,当演化曲线到达目标轮廓附近时相邻两次演化曲线的长度值之差越来越小,当小于某一阈值时,则认为曲线演化到了目标轮廓上,此时停止演化。最后,传统均值漂移算法中的各项同性核函数在目标跟踪过程中常常导致目标跟踪丢失,结合本文中的水平集理论和改进的符号距离正则项,提出基于水平集表示的各向异性核函数模板自适应的均值漂移目标跟踪算法。该算法在符号距离核函数的基础上引入符号距离约束函数,构成各向异性核函数,保持目标轮廓外部区域的函数值为零,使得跟踪窗包含所有的目标样本点,而少量包含或者不包含背景样本点;以传统均值漂移框架为基础,构造出各向异性核函数均值漂移窗口形心计算方法;引入相似度阈值thrr对前后两帧目标模板的变化情况进行限制,最终实现目标的准确跟踪。