视频中目标的检测跟踪技术是计算机视觉领域的一大研究热点,在交通管理、人机交互和智能监控等应用中都有十分良好的发展前景。虽然目前国内外研究学者在行人的检测跟踪领域取得了一定的研究成果,在理论上不断进步创新,但在实际应用中仍然存在很多问题,比如行人的多姿态问题、光照强度不断变化下以及遮挡情况下导致检测与跟踪的最终效果与预期相差较大的问题等。针对这些问题,本文做出了详细的对比分析实验与研究,提出了改进的目标行人检测与跟踪算法,改善了实际应用中的行人检测与跟踪效果。目标行人检测方面,本文提出了一种多特征融合的行人检测算法,并在INRIA公开数据集上进行实验,与传统的单特征行人检测算法相比较,改善了最终的行人检测效果。具体方法如下:(1)多特征融合的行人检测算法。对视频图像的基础特征,HOG特征、SIFT特征、LBP特征、Harr等特征进行原理剖析与研究,利用HOG特征描述局部方向梯度信息与SIFT特征具有稳定局部特征的特点,将HOG特征与SIFT特征进行串行融合和降维处理,引入了HOG+SIFT特征融合的行人检测算法。(2)在INRIA行人公开数据集上进行实验验证。统计了单特征与双特征检测算法的漏检率与误检率,比较了ROC曲线图,并在此基础上对三种基础特征融合行人检测算法进行了理论分析。实验结果表明,使用多特征融合检测算法能够在行人姿态变化和复杂背景下提高检测正确率,较好地改善了检测效果。目标行人的跟踪过程中,往往会因为环境背景颜色的干扰、光照强度的变换和障碍物对行人的遮挡等问题对跟踪效果产生较大影响。针对这一问题,采取了以下方法进行改进:(1)LBP-H结合卡尔曼滤波的Camshift行人跟踪算法。对传统的Camshift跟踪算法原理、特点与不足进行了重点阐述,当背景颜色与目标行人类似以及光照变化明显或是遇到遮挡现象时,会导致跟踪失败。为解决这一问题,利用LBP特征对于光照变化具有较好的鲁棒性的优点,提出了一种LBP特征与Camshift算法中HSV模型的H分量相融合的算法,并在OTB100数据集上进行了仿真实验,实验结果表明,改进的Camshift算法改善了光照变化下行人跟踪效果。(2)在改进Camshift算法的基础上引入了卡尔曼滤波器思想。在目标发生遮挡现象时,利用卡尔曼滤波器的预测机制,预测出下一帧目标行人出现的位置。在遮挡实验中,使用Camshift结合卡尔曼滤波行人跟踪算法准确地跟踪到了遮挡后行人出现的位置,改善了遮挡现象中的目标行人跟踪的效果。通过上述提出的改进算法能够改善目标行人进行检测跟踪时出现的问题,可用于行人姿态多变、相似背景颜色干扰以及遮挡现象等复杂环境。这使得行人检测跟踪系统能够更好地应用到交通监控、城市安检安防、辅助驾驶、人机交互等领域中,对行人检测跟踪系统进入社会进行实际应用具有重大的意义。