随着人工智能应用的推广,智能视频监控成为计算机领域的一个新的关注点,通过应用图像处理的相关方法分析监控器材拍摄到的视频,可以实现对目标的识别、定位、跟踪直至理解目标的特定行为,其核心是目标跟踪技术。本文以人体目标跟踪为研究重点,以TLD(tracking-learning-detection)人体目标跟踪算法为框架,深入研究和分析单目标的长时间跟踪算法。TLD算法只需要目标初始位置等较少的先验信息就可以实现对目标的长时间在线跟踪。基于TLD算法的目标跟踪系统由跟踪模块、检测模块、整合模块和学习模块四个部分组成。整合跟踪和检测模块的计算结果,判定当前帧中是否存在目标、目标当前状态以及确定是否就当前帧结果进行训练,如果需要,对跟踪和检测模块获得的新样本进行学习,更新跟踪和检测模块的系列参数,提高系统整体目标跟踪能力。TLD算法有效地解决了长时间跟踪过程中因目标形变和被遮挡等情形影响跟踪效果的问题,成为了人体目标跟踪的主要方法之一,但此方法存在计算量大导致系统运行速度低的问题。对此,本文以TLD框架为基础,从两个方面实现对目标跟踪算法的改进。针对TLD算法检测模块采用的贪婪检测方法进行改进,当跟踪模块正常运行时,以马尔科夫模型方向预测器预测目标运动方向的动态调整待检测区域的方法进行目标检测,缩减检测范围,从根本上减少检测所需的时间成本。针对TLD算法跟踪模块采用的均匀采样方法进行改进,以分块检测的SUSAN角点作为光流法的采样点进行目标跟踪,缩减跟踪模块采样点数量,提高运行效率。通过对TLD原作者提供的视频库、otcbvs红外图像库进行对比实验,结果表明,改进后的算法比原始算法跟踪准确率提升了16.58%,系统整体的运行速度提升了84.41%。