人体的运动与跟踪技术是近年来计算机视觉研究领域的重要课题之一。该技术在智能视频监控方面有着重要的应用价值。在常见的人体目标检测与跟踪方法的基础上将跟踪过程分为：图像预处理、分割出运动目标前景区域、人体目标定位和人体目标跟踪。主动轮廓模型将数字图像处理中分割或提取问题的初始估计、图像数据及基于先验知识的约束等方面融为一体进行解决，打破了信息传递方向的局限性。在基于GVF-Snake模型完成跟踪任务的过程中，对初始轮廓线选取、计算GVF时间耗费大以及跟踪不稳定的问题提出了有效地解决方法。在人体目标的跟踪过程中，人体的运动方向以及速度是不可知的，当目标的运动速度较快，使用GVF-Snake模型跟踪容易跟不上目标位置的变化速度，导致目标丢失。而且GVF-Snake模型对其初始轮廓线的设置位置敏感，如若轮廓线距离目标的边界较远，轮廓线容易被背景边缘所吸引，容易丢失目标。针对GVF-Snake模型不能自动获取初始轮廓线的问题，提出了一种通过检测方法来自动稳定地获取初始轮廓线的方法。为了得到比较精确初始轮廓线，就需要使检测得到的目标的边缘信息足够完整。通过比较目标检测的三种经典方法的优缺点，提出了基于改进背景差分与三帧差分法结合的自适应差分算法。算法实现了对包含运动人体目标的前景区域的稳定检测，然后将得到的前景区域进行去噪、定位处理，得到人体目标；然后对目标的轮廓进行提取并离散化；最终得到我们需要的GVF-Snake模型的初始轮廓线。另外为了解决GVF-Snake模型在目标运动速度过快时容易丢失目标的问题，本文引入卡尔曼滤波将GVF-Snake收敛得到的目标质心点作为人体目标的运动特征，预测其运动轨迹。卡尔曼滤波的当前估计值是根据当前帧的测量值与上一帧的估计值得到的，包含了之前时刻的目标运动信息，降低跟丢目标的可能性。采用卡尔曼滤波与GVF-Snake结合的方法将促使初始轮廓更加靠近目标实际轮廓。针对GVF-Snake计算全局梯度矢量流场的速度较慢，还提出使用分划子区域方法计算GVF以提高算法实时性。最后对本文中的检测与跟踪算法进行仿真实验：1、在摄像头有晃动，背景产生较大面积干扰时，将自适应差分法与背景差分法做对比实验。实验结果显示，自适应差分法依然能稳定地检测到目标。2、将使用帧差法与GVF-Snake结合的跟踪算法与本文提出的算法做对比实验。单独使用帧差法提取的目标信息量少干扰大，提取的初始轮廓线质量较低。且没有经过卡尔曼滤波对质心点的预测以及子区域的限制，轮廓线会渐渐远离目标边界。实验结果显示，本文算法能使轮廓线尽可能的靠近真实边缘，取得了很好的跟踪效果，且实时性较前一种方法好。