یکی از موضوعات مطرح در حوزه ی پردازش تصویر و ویدئو در دهه گذشته، ردیابی و تشخیص نوع رفتار اشیا متحرک می باشد. توانایی استخراج اشیا متحرک و ردیابی آن در یک دنباله ی ویدئو، اولین گام در تحلیل ویدئوهای نظارتی است. روش های زیادی در خصوص اشیا متحرک و ردیابی آن ها مطرح شده است. روش رایج تشخیص اشیا متحرک، تفاضل پس زمینه است. از چالش های مطرح در حوزه ی ردیابی، می توان وجود اشیا مشابه در پنجره ی جستجو، تغییر شکل و تغییرات روشنایی محیط و یافتن مدل پس زمینه ای دقیق برای تشخیص درست اشیا پیش زمینه را نام برد. در این پژوهش برای مدل کردن پس زمینه روش میان گیری فریم ها بکار گرفته شده است و جهت ردیابی وسایل نقلیه دو روش پیشنهاد شده است.که در روش اول از عملگر الگوی باینری محلی چند مقیاسه سلسله مراتبی و الگوریتم ژنتیک جهت ردیابی وسایل نقلیه استفاده شده است و در روش دوم الگوریتم تطبیق الگو و تانژانت فاصله به همراه فیلترکالمن بکارگرفته شده است. مزیت استفاده از فیلتر کالمن در این است که اگر اشیای مشابه در ناحیه ی جستجو وجود داشته باشد، فیلتر کالمن این مسئله را مدیریت می کند و تانژانت فاصله زمان جستجو را تا حد زیادی کاهش می دهد. مقایسه زمان جستجوی دو روش نشان می دهد که متوسط زمان جستجوی یافتن موقعیت شی در هر فریم برای روش اول 5 ثانیه و برای روش دوم 0.06 ثانیه می باشد. خروجی سیستم تشخیص و ردیابی که همانا دنباله مسیر اشیا مورد ردیابی می باشند، بعنوان ورودی در پردازش های مرتبه بالاتر مانند تشخیص نوع رفتار بکار می روند. جهت تشخیص رفتارهای نرمال و غیرنرمال وسایل نقلیه متحرک الگوریتم فازی ژنتیک که مبتنی بر الگوریتم های pittsburgh وmichigan می باشد را بکارگرفتیم. مقایسه این روش با روش efunn که شبکه عصبی فازی تکاملی می باشد، نشان دهنده ی این است که دقت الگوریتم فازی ژنتیک در کلاسه بندی رفتارها 96% و دقت شبکه ی عصبی فازی تکاملی برابر 92% است.