多目标检测与跟踪一直以来都是计算机视觉领域的研究热点之一。随着众多学者的深入研究,大量的相关算法已经被提出。但是目前大多数多目标检测与跟踪算法都只能在一定场景下才能取得较好的结果,在复杂场景下的结果往往都差强人意。本文针对多目标检测与跟踪算法进行了深入的研究,主要工作和创新点如下:(1)本文研究了运动目标检测算法,分析了现有目标运动检测算法的优势与不足。针对当前运动目标检测中最易出现的相机抖动、动态背景、目标间歇性运动等问题,提出一种自适应的运动目标检测算法。该算法在随机采样背景建模的基础上,添加了动态阈值模块以及动态随机子采样率,使得算法能够在各种复杂场景下取得较好的前景检测效果;同时,通过提出更新状态、闪烁点检测,使得算法在降噪的同时很好得保留了目标的完整性;另外,还加入了Ghost去除模块,专门应对目标间歇性运动的情况。随着这些模块的加入,算法整体的性能大大提高,在各种复杂场景下依然能够很好地完成运动目标检测。(2)本文研究了传统的目标跟踪算法并分析了复杂场景下多目标跟踪算法的难点。根据多目标跟踪中最容易出现的目标合并以及目标分离等问题,提出了一种基于目标检测的多目标跟踪算法。该算法结合了前文提出的目标检测算法以及最新的FREAK(Fast Retina Kepoint)特征描述子,同时还针对目标间相互遮挡问题以及目标检测中最易出现的欠分割和过分割问题进行了修正,提高了算法在复杂场景下的鲁棒性。该算法不需要先验知识,仅需要非常少的直观的参数调整,即可在复杂场景中完成多目标跟踪的任务。