钱塘江涌潮被誉为“天下第一潮”,每年都吸引大量的国内外观赏者。钱塘江涌潮给世人带来惊叹的同时,也存在着一些安全上的隐患,导致了一些悲剧的发生。如何能够建立准确的钱塘江涌潮的检测跟踪系统,避免涌潮带来的灾难,让其更好的服务社会,成为当前急需解决的课题。文中把运动目标检测与跟踪算法应用在钱塘江涌潮的检测与跟踪,主要内容包括通过最优特征选择和支持向量机构建基于背景建模的钱塘江涌潮的检测,并结合颜色特征和粒子滤波模型对钱塘江涌潮进行跟踪,工作和创新点如下:(1)提出了最优特征选择方法:由于视频图像的像素可以有不同类型的特征,并且特征之间存在差异,首先用统计的方法(高斯核函数)计算视频帧中像素的某个特征的概率密度,统计不同区间的密度估计值,结合最优特征提取新方法,选择出最优的特征集来组成初始化的特征模板。(2)构建了基于支持向量机的自适应背景模型:通过最小二乘支持向量机(Least Squares Support Vector Machines,LS-SVM)的学习能力估计非线性动态场景中像素特征的重要信息,训练视频中对应模板图位置的像素特征值,构造出背景模型。设计一种全新实时背景模型更新的算法,以减少因水面波动对背景模型检测效果的影响。(3)构建了基于颜色特征的粒子滤波跟踪算法:颜色特征对局部遮挡、形变不敏感、易操作的优点,可以抑制水面的波动、涌潮的大小、河道宽度变化等因素对钱塘江涌潮的跟踪效果的影响。在HSV颜色空间中分离出H特征,使用粒子的信息描述了涌潮的状态,统计绘制出粒子集合的颜色特征信息直方图分布,构建粒子群系统,更新粒子状态,预测涌潮的坐标点,然后粒子群进行重采样运算实现对钱塘江涌潮的跟踪。仿真实验表明:涌潮检测时,算法正确分离出的前景像素数量高于同类算法,F-Measure值达到78.1%,算法处理视频的平均速度为9f/s,不断更新参数的背景模型可以适应水面波动的变化。在涌潮跟踪时,算法的像素误差在7个单位左右,处理视频的平均速度在89.7ms/frame,可以长时间稳定的跟踪涌潮。