行人检测与跟踪技术是机器视觉领域中的一个重要分支,其在智能安防、人机交互、智能交通、虚拟现实等领域中都有着广阔市场前景和应用价值。近十年来,在世界各地研究人员的共同努力下,行人检测与跟踪技术在实时性和精度上都取得了很大的进步。但是受制于行人个体之间差异过大、运动过程多种多样、环境复杂多变、计算资源有限等因素,现有算法的性能仍不能满足实际应用的需求。如何在不降低精确度的条件下提高行人检测的实时性,以及如何改善跟踪器在复杂场景中的跟踪精度仍是这项技术中的研究热点。本文针对传统行人检测算法在视频监控中实时性较差的问题,及跟踪器在复杂场景中模型更新的问题进行了研究和创新,阐述如下：目前主流行人检测算法中采用滑动窗口法使得特征运算前级输入过多而导致在实际监控中实时性下降。针对该问题,提出了一种基于运动趋势的快速行人检测算法。算法首先通过分割行人运动趋势信息、构建卡尔曼预测模型完成对行人位置的预测,减少了特征前级输入。然后受图像匹配算法的启发,通过提取预测位置BRISK特征对结果进行了校验。使得算法在提高预测精度的同时,减少了对行人特征的计算。最后利用固定视频监控中场景的特性作为先验知识,完成了算法在固定场景中的快速尺度估计。通过在四个标准行人数据集上的测试,绘制了算法在不同视频测试集中的DET曲线和帧率表。实验结果表明：相比原算法,改进后算法在确保算法精度不下降的同时大幅度提高了行人检测速度。基于一致性模型的关键点匹配跟踪算法(CMT)中由于仅采用第一帧作为目标模型使得目标在遮挡或环境变化等因素影响下会出现跟踪失败。针对该问题,提出了一种基于历史加权的关键点匹配跟踪算法(HWCMT)。算法中首先通过建立历史模型记录不同关键点出现的次数,并给予其相应的权重。然后采用高斯函数作为历史模型中关键点的权值函数,对待选模型中关键点在尺度、旋转、中心点估计时的投票进行加权。最后综合待选模型中关键点聚类结果与历史模型特征点的加权结果确定目标的姿态。通过算法在16个标准目标跟踪数据集上实验结果,得出结论：改进后算法解决了原CMT中模型更新的问题,并能够处理原有算法跟踪失败的部分情况,较原算法在跟踪精度上有了大幅度提升。