随着计算机数据处理在计算机视觉领域中的迅猛发展,人工智能迅速崛起,人们对于智能化工具的依赖也越来越强。自动跟随技术凭其无需人工操作即可自动跟随主人（主体目标）的特点得到广泛应用。自动跟随的关键技术主要包括:检测出要跟随的主体目标,并进行精确定位;实现对检测到的主体目标进行稳定跟随,并控制运行速度和方向。基于深度学习的计算机视觉在目标检测、识别与跟踪具有很多的优势。因此,本文基于深度学习理论对自动跟随系统的关键技术进行研究,主要完成以下内容研究:1.针对检测在实际应用中因算力不足造成的计算堵塞,显示延迟等一系列导致设备无法实时检测的问题。提出一种改进的YOLOv5网络,可以在提升检测精度的同时提高检测速度。首先对YOLOv5网络模型中的自适应锚定框算法进行优化,采用t-SNE算法将数据集标签信息降维并可视化;处理之后的特征采用加权核k-means聚类算法对低维数据映射分析;针对待检测类别选取更精准的Anchor Box预设值,从而得到更高的检测平均精度。其次针对YOLOv5网络的模型压缩优化,使用BN缩放因子γ对YOLO网络内部压缩剪枝,减小模型尺寸和运行时的内存占用。经验证,优化后的YOLOv5s网络框架经训练微调后,算法精度上提升了2.34%,在服务器环境下速度提升了1.45倍。2.针对在背景信息以及其余多目标的信息干扰下或因长时间遮挡造成的跟踪错乱现象问题,改进表观特征提取网络。通过采用ResNet-50作为主干网络,加入图像预处理、聚合和头部与主干网络共同构成新的表观特征提取网络框架,优化目标的表观特征信息提取,提升目标跟踪信息准确率。针对DeepSORT中每一帧都要进行一次目标定位匹配跟踪,提出使用Kanade-Lucas-Tomasi光流法与表观特征提取网络结合。只需在初始目标出现时定位目标信息,之后通过光流法和表观特征点直接构建光流的二维矢量特征场获取目标移动信息进行目标跟踪,减少匹配时间,提升预测准确率以及追踪速度。改进后的跟踪网络在MOTA上达到了84.8%,相比原始网络提升了23.4%。3.整体算法在Jetson Xavier NX嵌入式开发平台的移植验证。改进后的检测跟踪算法在嵌入式设备Jetson Xavier NX部署测试整体效果。基于目标检测和跟踪整体网络设计整体自动跟随架构,采用Jetson Xavier NX作为系统控制主板,以STM32作为运动控制底板,设计整体硬件系统,并应用到实际开发的高尔夫球包车进行实地检测。跟踪速度达到31FPS,可保证小车对于目标的实时跟踪。实验测试结果表明:所提出的算法具有较高的检测精度和跟踪成功率,并且速度上也有了较大的提升,可以在实际的自动跟随高尔夫球包车上实时运行跟随。