目标检测和跟踪作为计算机视觉领域中极为重要的内容,不仅在日常生活中给人们带来很多便利和安全,同时在智能医疗和军事作战领域也有着广阔的应用前景,因此,该领域的相关研究受到国内外众多学者和机构的重视。本文主要针对目标检测和跟踪过程中存在的光线变化、背景扰动、尺度变化和目标遮挡问题进行了研究,对传统的目标检测和跟踪算法进行了改进和优化。本文主要工作及贡献如下:1.多信息融合的ViBe算法:本文针对三帧差分法对目标进行检测过程中,用二维OTSU算法来代替人工设定阈值,使得阈值能够随检测目标的场景不同而自行选择,提高了三帧差分法的检测精确度,使得目标轮廓提取的结果更加完整。针对ViBe算法在对背景建模时仅采用图像的灰度特征,导致目标和背景颜色相近场景中,目标的检测精度较其他场景低的情况,使用HSV颜色空间的V分量来代替ViBe算法中的灰度特征,在不增加算法计算量的同时,提高了颜色相近背景场景下的检测精度。同时受SOBS算法启发,对ViBe算法背景模型更新策略中判断前景还是背景的欧氏距离公式进行替换,提高了检测的精确度。在对ViBe算法进行颜色特征融合后,与上一步中改进的三帧差分法获取的目标轮廓(纹理特征)进行融合,再对融合后的图像进行形态学处理,实验表明该多信息融合的目标检测算法对目标有良好的检测效果,同时改善了检测过程出现的空洞现象。2.跟踪窗口尺度自适应:由于KCF算法需要对目标区域进行人工框定,本文在视频第一帧引入1部分改进的目标检测算法,实现目标跟踪过程中目标区域的自动检测。同时KCF算法的跟踪框大小在目标发生形变或尺度变化的情况下不能改变,为此引入SIFT算法中的尺度金字塔思想,对检测到的目标区域构建不同尺度的金字塔,根据最适宜大小的金字塔确定当前视频帧中跟踪框的大小,缩小尺度空间的搜索区域,提高算法运行速度,并使得跟踪框大小自适应目标,提高了跟踪的精确度。3.融合SIFT特征提取的KCF算法:针对KCF算法对于目标被遮挡的情况跟踪效果变差,甚至随遮挡时间变长跟踪丢失的问题,本文引入HOG特征与SIFT特征相融合的融合特征算法。首先利用三帧的Bhattacharyya系数对当前帧中目标是否出现遮挡进行检测,当检测到遮挡时,构建当前帧目标区域和后续帧的融合特征模型,并对特征模型进行匹配,直至匹配结果出现响应峰值,检测到目标区域,完成目标的重跟踪。实验表明,改进后的算法在目标被遮挡时,有较好的跟踪效果,而且当目标从遮挡恢复为完整目标后,依然可以成功跟踪目标。