行人目标检测与跟踪技术在安防监控、智能交通、人机交互等领域都具有重要的研究价值和应用价值。实际应用环境中,由于跟踪场景多样性和行人目标变化复杂,传统的经典核相关滤波目标跟踪算法对快速运动、尺度变化、遮挡等属性的视频跟踪效果不佳。当跟踪到的目标不准确时,对滤波器模型更新就会降低其检测质量。若连续多帧都发生这种情况,则会造成模型漂移,导致目标跟踪丢失和错误蔓延现象。针对这些问题,本文提出了基于深度学习检测的分组核相关目标跟踪算法,主要内容以及成果如下:(1)针对实际跟踪环境导致的跟踪目标丢失和错误蔓延的现象,本文提出基于深度学习检测的分组核相关滤波目标跟踪算法。该算法首先将待跟踪的视频序列分为若干组,对于每组的第一帧采用Faster RCNN算法进行目标检测,若检测到待跟踪的目标,则用检测到的特征信息对滤波器进行训练和更新;否则,则继续沿用上一帧中核相关滤波算法跟踪到的特征信息,进行滤波器模板的训练和更新,完成后续目标跟踪。(2)由于传统目标检测算法采用的手工设计特征鲁棒性较差,因此本文采用基于深度学习的Faster RCNN 目标检测算法完成行人检测。在Caffe深度学习框架和VGG网络模型下,本文使用Caltech数据集进行行人检测网络模型训练。实验结果表明该网络模型对图像中不同尺度、不同密集程度和不同姿态的行人都有较好的检测效果。为了验证改进算法的有效性,在OTB100数据集和UAV123数据集中,本文选取包含行人目标的视频序列进行对比实验。实验结果证明本文算法性能相对最佳,本文改进算法在OTB100数据集中精确度较原始核相关滤波跟踪算法高出20.5%,成功率高出17.8%;在UAV123数据集中,本文改进算法的精确度和成功率分别高出26.1%和18.5%;并且跟踪速率均达到100fps以上,满足实际场景实时性跟踪的要求。