1、在應(yīng)用場景的背景多樣和運動目標運動形式多變的情況下,應(yīng)用運動目標檢測與跟蹤技術(shù)將給人們的工作帶來很多方便,但是在場景變化的情況下,運動目標檢測與跟蹤中的背景建模、干擾檢測、陰影消除和運動目標實時跟蹤等關(guān)鍵問題變得更為復雜?，F(xiàn)有的運動目標檢測和跟蹤算法精度不高或?qū)崟r性差。因此對基于場景變化的運動目標實時檢測與跟蹤技術(shù)研進行究具有重要的理論價值和實際意義。
　　在這種背景下,本文在分析和了解已有運動目標檢測與跟蹤技術(shù)的基礎(chǔ)上,深入研究

2、運動目標檢測與跟蹤中的圖像預處理、運動目標檢測和運動目標跟蹤三個關(guān)鍵技術(shù),進行了一些改進和新的嘗試。主要成果有:
　　(1)研究了圖像預處理技術(shù)的噪聲濾除和圖像分割技術(shù)。闡述了噪聲濾除中均值濾波、中值濾波和小波濾波的基本原理和具體做法,并對它們進行分析和仿真實驗比較。在圖像分割技術(shù)中闡述了幾種邊緣檢測算子和二維最大類間差方差法,并利用遺傳算法的并行計算和智能搜索特性對二維最大類間方差法進行了改進。
　　(2)針對運動目標檢測

3、研究中面臨的問題,本文對基于光流場的檢測算法、基于幀間差分的檢測算法和基于背景消減的檢測算法進行了研究,具體闡述了改進K-均值聚類的背景模型和混合高斯背景模型。給出了一種基于三向量背景模型的運動目標實時檢測算法,在HSV顏色空間進行背景建模,根據(jù)背景的混亂程度和各種干擾情況,進行模型更新,利用陰影的色度、亮度和交叉熵特征濾除陰影的影響,并對算法進行了仿真驗證,在實時性和檢測效果上均取得了較好的結(jié)果。
　　(3)對現(xiàn)存的各種運動目標

4、跟蹤算法進行了研究。在總結(jié)基于模型的跟蹤算法、基于特征的跟蹤算法和基于區(qū)域的跟蹤算法的基本思想和優(yōu)缺點,以及具體闡述基于卡爾曼濾波的跟蹤算法、基于CamShift的跟蹤算法、基于MeanShift的跟蹤算法和基于粒子濾波的跟蹤算法的基礎(chǔ)上,本文對傳統(tǒng)的粒子濾波算法進行了改進,采用色度、亮度和邊緣信息進行特征匹配,對這些特征賦予不同的優(yōu)先級,并與MeanShift算法相結(jié)合,使運動目標跟蹤的速度和精度有了很大提高。
　　(4)最后,