文 献 综 述 1.课题的研究意义和应用价值 随着计算机技术的快速发展和人类社会的信息化程度的不断提升，视频监控系统逐渐填满生活的各个角落，获取视频中的运动信息就成为一项重要的研究课题。

由此兴起的视频中运动目标检测与跟踪技术已经广泛地应用于银行 、博物馆 、交通道路 、商业 、军事 、公安 、电力 、厂矿 、智能小区等各行各业的监控系统中[1]，然而由于诸如天气、光线、影子、噪声等因素的干扰，运动目标的监测与跟踪仍然面临着巨大的挑战。

本课题研究视频中行人的检测与跟踪问题。

主要目标是选用一种合适的运动检测算法，从背景中选取人物特征，实现对行人的跟踪。

2.国内外研究现状 传统目标检测方法主要分为预处理、窗口滑动、特征提取、特征选择、特征分类和后处理六个步骤。

a) 预处理对待检测图像进行图像去噪、图像增强、色彩空间转换等操作； b) 在待检测图像中滑动一个固定大小的窗口，将窗口中的子图像作为候选区； c) 利用特定的算法对候选区进行特征提取；d) 从特征向量中挑选具有代表性的特征，降低特征的维数； e) 利用特定的分类器对特征进行分类，判定候选区是否包含了目标及其类别； f) 合并判定为同一类别的相交候选区，计算出每个目标的边界框，完成目标检测[2]。

传统目标检测方法的研究重点是在特征提取（如何提高特征的表达能力和抗形变能力）和特征分类（如何提高分类器的准确度和速度）上。

由此，研究人员提出了多种形式的特征和分类器。

其中，代表性的特征有SIFT（scale-invariant feature transform）、Haar、HOG（histogram of oriented gradient）、Strip等；代表性的分类器有AdaBoost、SVM（support vector machine）、DPM（deformable parts model）、RF（random forest）等。

但是，由于传统目标检测方法使用设计的特征，即使运用最好的非线性分类器进行特征分类，目标检测的准确度也达不到实际需求。