目标跟踪作为计算机视觉领域最具挑战的关键技术之一,在机器人视觉导航、智能驾驶、医学诊断等多个领域有着广泛的应用。在目标跟踪中,除了出现部分遮挡、尺度变化、运动模糊等情况,在实际情况中,实际跟踪场景也存在多变性和复杂性,这些难点使得实现高效的目标跟踪仍具挑战性。本文考虑复杂的智能驾驶目标跟踪领域,展开车辆和行人跟踪问题研究,具有重要的实际应用意义。本文主要内容及创新点如下:1.提出了一种结合判别尺度空间跟踪和单阶段多框检测的车辆长期动态跟踪方法。为解决频繁遮挡和车辆消失而导致的车辆跟丢跟错的问题,在判别尺度空间跟踪算法中,引入Fmax,APCE,PSR等指标评判车辆跟踪正确与否。当车辆出现遮挡或处于完全消失状态时,调用单阶段多框检测算法对车辆重新定位完成跟踪。本文在北京中科慧眼科技有限公司车辆数据集上对该算法性能进行测试。实验结果表明,通过跟踪与检测的动态交互作用,可以有效解决跟踪车辆因消失或被完全遮挡导致的跟踪失败问题。2.提出了基于位置纠正和判别尺度空间跟踪算法的行人跟踪方法。为解决行走过程中行人形变和环境变化而导致的跟踪定位不准确问题,本文通过判别尺度空间跟踪算法的位置滤波器计算目标的位置,然后采用相关运算来纠正目标位置,并依据纠正后的位置重新进行跟踪。本文选取OTB-50中的行人的数据集对该算法进行性能测试。实验结果表明,通过再次相关运算能够提升行人定位的精确度。3.提出了基于深度特征和Kalman滤波算法的目标跟踪方法。为解决图像模糊和目标快速移动导致的跟踪精度低的问题,使用VGGNet深度学习特征替代了传统的方向梯度直方图特征,提升了特征的判别性,并将其应用于判别尺度空间算法的位置滤波器中。为对比改进前后的算法的准确性,本文选取OTB-50中目标快速移动并产生严重形变的数据集进行测试。实验结果表明,通过深度学习特征和卡尔曼滤波对目标位置进行预测和纠正,能够使目标定位的精度更高。