以往在对铁路和道路两旁的监控视频中的异物进行入侵检测时,多以人工主动监测为主,在遇到突发状况时很难做到及时有效的提醒。随着网络系统的发展,如果能开发出针对监控视频中异物入侵的实时检测算法,就能够大大提高发现和处理异常情况的速率。本文针对这些问题,对关于铁路监控视频中运动目标的检测及跟踪的相关方法进行了改进:(1)由于Vibe算法在视频图像的背景建模中具有很大优势,因此本文以Vibe作为轨道入侵异物的主体检测算法。但是Vibe在视频图像背景建模过程中容易产生拖影,针对此问题提出了一种基于改进LaBGen-P的自适应Vibe检测算法。该算法与LaBGen算法不同之处在于:不需要任何的训练周期降低算法复杂性,建立运动量检测窗口时考虑到了整个空间领域内的像素去除原有算法的局部性,计算运动量时是以像素迭代建立子集提高运动量计算准确度。之后把LaBGen-P运用到Vibe算法的背景模型初始化阶段,可以有效解决Vibe算法在背景建模过程中存在拖影的问题。同时对于在前景分割阶段容易出现的空洞等问题,本文采用了调整空间领域自适应阈值的方法进行改善。(2)针对一些算法在进行目标检测时,会将运动目标(轨旁异物)的阴影一起检测出来作为前景目标输出的问题,本文采用了基于Horprasert的颜色估计模型进行阴影去除。通过概率密度估计方法计算像素在RGB颜色通道上的期望值和实际颜色值,然后将其分解为亮度失真和颜色失真两部分,分别与设定的阈值进行比较,判断是否属于阴影。(3)针对一些算法在对轨道监控视频中运动目标(轨旁异物)进行跟踪时,可能存在目标被遮挡等情况,从而容易丢失目标。本文提出基于CamShift和Vibe的融合算法,对图像中的样本进行随机提取,提升了目标跟踪算法的鲁棒性。