基于视频的行人目标检测和跟踪是计算机视觉领域的一个重要的研究方向,该研究在智能监控等领域有着广泛的应用前景。智能化监控系统不仅具有重要的实际应用价值,并且对人工智能、模式识别以及计算机视觉的其他领域具有重要的推动作用。行人目标检测和跟踪的任务是实现检测视频中的行人目标,并对检测到的行人进行跟踪。虽然该领域的许多科研学者经过长时间的不懈研究,已经提出了很多优秀的行人检测和跟踪的理论与算法,但实践表明这些行人目标检测和跟踪的算法都有或多或少的不足,考虑到算法应用的实际场景和环境,提出一种适用于众多复杂场景的智能化行人检测和跟踪系统已成为当前的迫切需求。本文主要对行人目标检测和跟踪的关键技术问题展开研究,内容总结如下：(1)采用混合多尺度可变形部件模型来表征检测行人的模型。该模型可以适应非刚体行人多变的外表,提高行人正确检测率。该模型基于可变形部件模型(Deformable Part Models),由多个DPM组成。DPM模型为星型结构,由一个低分辨率的根滤波器和一系列高分辨率的部件滤波器以及相应的可变形模型组成。对比实验表明,采用基于混合多尺度可变形部件模型的行人检测算法的正确检测率明显高于传统算法。(2)采用基于预测算法的快速特征金字塔计算行人特征。传统的提取行人特征需要计算特征金字塔的每一个尺度,本文采用的快速特征金字塔只需计算每组一个尺度,其它尺度特征采用预测算法直接计算,这样大大降低了计算特征金字塔的运算量,此外,还节省了计算重采样图像的运算量。对比试验表明,采用快速算法提取行人特征的时间明显小于采用传统算法提取行人特征的时间,并且检测性能也没有损失。(3)采用基于时变状态空间模型的粒子滤波原理进行行人跟踪。本文采用的时变状态空间模型加入了行人运动的加速度,可以克服跟踪过程中粒子传播的盲目性,提高粒子集的使用效率,使其随着行人目标运动速度的变化趋势而改变,更加贴近行人的实际运动状况,提高了粒子传播的有效性和指导性。对比实验表明,改进后的算法在行人非匀速运动时也可以准确地定位行人的位置。(4)在行人跟踪阶段,采用基于颜色梯度方向直方图的观测模型。该观测模型在梯度方向上结合梯度强度和颜色值对行人目标特征建模,不仅包含传统观测模型中行人的颜色信息,还包含行人的空间信息和纹理信息,对行人的特征的描述更加准确,使视频两帧之间的行人匹配更精确。对比实验表明,改进的跟踪算法可以更加准确地跟踪行人目标。