视频中的行人检测和行人跟踪属于计算机视觉范畴,是近几年比较热门的话题,在智能交通控制、公共安防、智能监控等方面被广泛的应用。研究与之相关的算法对智能交通和视频监控等方面的应用具有重要意义。为了在实时监控视频中提供对行人的精准实时监控与跟踪,本文的主要研究内容分为三个部分。第一部分是运动目标的检测,第二部分是行人检测,最后一部分是跟踪算法。针对一些算法进行了优化与改良,本文的主要研究内容与贡献可以分为以下几个方面:1、在运动目标检测方面。深入了解与分析了几种主流算法各自的优势与缺点,它们分别是混合高斯模型、多模式均值模型与VIBE模型。采用多模式均值模型作为背景模型,设置自适应的阈值,在不同的区域采用不同的阈值,以减少噪声的产生;在检测时先使用背景差分法进行检测,如果检测到异常则使用帧间差分法进一步检测,如果没有检测到异常就不需要后续的检测。通过帧间差分法检测背景差分法的结果,可以对漏检率和虚警率进行削减,提高检测的精度。2、在行人检测方面。因为头肩轮廓具有较好的代表性,而且头肩轮廓相对稳定利于检测,在检测之前首先选取人的头肩轮廓作为人的待检测区域;接下来提取人体特征,选取照度不变性色彩特征作为人体检测的第一个特征。针对LBP纹理特征的缺点进行改善,优化后的二进制模式的种类大幅度缩减,并且不会造成任何信息的缺失,将它作为人体检测的第二个特征。两个特征的融合使用BWH融合算法进行融合,将直方图交叉核支持向量机SVM进行了优化,使用它作为分类器进行分类,可以减少计算的复杂性。3、在行人跟踪方面。采用KCF算法对行人进行跟踪,它的不足是跟踪目标框是根据首帧目标的大小预先设定好的,在过程中运动目标可能会发生大小形变,但是目标框却不会随着运动目标的改变而发生大小的改变,这就有可能导致跟踪目标失败。在本文中,采用多尺度对行人进行跟踪,缩放初始目标找到跟踪目标的最佳比例值,克服了目标框不会随着目标的改变而发生变化造成的跟踪失败问题,并且提高了它的准确性。本文设计了人体检测与行人跟踪算法,并对实际场景进行仿真实验,表明它有良好的准确性和实时性。