目标跟踪技术是计算机视觉领域中非常关键的一项技术,主要应用在重要的公共场所,如机场、车站、银行、地铁等,进行安防。纯目标跟踪算法跟踪精度很低,达不到真实的跟踪效果。随着近几年大数据的爆发,数据量呈指数增长,开始出现了不依赖于纯目标跟踪的算法。基于深度学习的目标检测算法精度越来越高,现在主流的目标跟踪的解决办法是采用基于检测的跟踪,也就是在高精度目标检测的基础上,对目标进行预测,从而达到有精度有速度的跟踪。按照这种研究思路,本文提出目标跟踪、人脸检测和人脸识别的融合算法,取得了速度和精度上的优势。对卡尔曼滤波和粒子滤波进行了对比研究,比较了相应的跟踪算法的性能。在对卡尔曼滤波的算法流程分析的基础上,对卡尔曼滤波算法与深度学习目标检测算法Yolov3-tiny进行了实验。又对粒子滤波的算法流程进行分析,进行了相同的算法实验。从实验结果容易看出,卡尔曼滤波的跟踪精度不好,跟踪曲线一直振荡;而粒子滤波的跟踪精度高,跟踪曲线稳定。详细分析了基于深度学习的人脸检测算法MTCNN,给出了具体的算法流程并进行了仿真实验。分析和实验表明,这个2016年提出的人脸检测算法非常有效,而且达到实时检测效果。提出了带约束的自适应损失性能指标,对现有的人脸识别算法给出了有效地改进和优化。人脸识别是目标跟踪重要一环,目标跟踪的前提是对目标身份进行识别。对目前性能最好的人脸识别算法Adaptive Face进行理论分析,结果表明,尽管采用自适应边距的Adaptive Face算法,相对于采用固定边距的Cos Face算法有很大提升,但自适应的学习过程算法复杂,降低了算法的性能。正是基于这种分析,本文对自适应边距进行约束,取得了更好的结果。综上所述,本文提出了一个完整的人脸跟踪算法,它是由三个算法串联运行的。本文给出了算法的具体实施细节,进行了相应的实验,证明算法的有效性和实用性。