随着互联网+工业2.0时代的到来,智慧城市的概念也呼之欲出,例如智能交通、无人驾驶、安全监控、无人机等都被应用到现实生活中的场景。而基于这些领域的实现技术就是计算机视觉中的目标检测与跟踪(Target detection and tracking)。近年来,在目标跟踪模型层面上,基于机器学习、相关滤波框架上的改进等算法确实提高了模型的精度和速度,但是在目标被外界环境干扰(光照、气候等)、目标遮挡、目标变化速度快等恶劣条件下,目标跟踪仍然是一个难题。在以前,大多数基于视觉的跟踪方法主要是针对彩色或灰度图像,研究仅停留在二维图像的层面,部分研究利用建模将二维转化为三维层面,但过程复杂。目标跟踪的内在难题其实是二维平面的RGB信息不能够完全反映出三维世界的图像信息所引起的。本文基于TOF采取的三维深度图像,即点云数据信息进行研究实现,景深距离(摄像头和行人运动目标距离)不受光照、气候等影响,所以基于Depth的特征具有鲁棒性强的功能。目标跟踪的前提就是目标检测,本文提出了改进的自适应混合高斯模型(AGMM,Adaptive GMM)检测模型算法,在传统混合高斯模型中加入对背景高斯分布的先验判断和更新率的择优机制,能快速准确地建立背景模型,高效率地检测出含较少阴影的行人运动目标。再结合创新的3D Kalman滤波器(三维空间下的Kalman滤波器)对人体运动目标进行实时跟踪,利用点云数据的结构特性,采用自适应分层方法精准确定目标的轨迹区域,有效解决了遮挡跟踪、多目标跟踪、多方位跟踪等问题,并消除了Kalman滤波器在后续跟踪过程中产生的累积误差,最终保证了高效的行人运动目标的检测与跟踪。最后经过实验的分析结果表明,本文提出的目标检测与跟踪算法能够在单目标、多目标、目标遮挡、以及多方位目标等情况下能正确地检测识别以及实时跟踪人体运动目标,且不受气候、光照等影响。并在目标检测与跟踪算法构建中,与传统的检测跟踪算法(基于HOG的目标检测算法、混合高斯模型算法、CamShift跟踪算法等)比较,在速度、精度、准确度上取得了显著的成果。