目标检测与跟踪技术是计算机视觉、视频图像监控与模式识别领域中的核心课题之一,主要的目标为获取跟踪目标的位置信息与运动参数(如速度、加速度等)并得出目标在图像序列中的运动轨迹,为进一步的图像理解、目标行为分析等做好基础,从而完成更高级的课题任务。本文以道路上的车辆为研究对象,针对不同场景下的车辆跟踪问题进行了研究。论文的主要研究是基于跟踪-学习-检测的思想,通过检测器来增强跟踪器的稳定性,并使用跟踪器的结果作为正负样本在线学习更新检测器参数。论文主要包含三个部分:迭代跟踪器算法研究、检测器研究与在线学习方法研究。首先,根据跟踪实际需求,设计跟踪器模块。文中首先比较了三种不同的算法,并在其基础上分析改进,提出了一种光流Mean-shift融合的方法来对目标进行跟踪,并与一般光流法比较,给出实验分析,得出较好的实验结果。其次,设计目标检测模块。分别尝试了Haar特征分类器和级联分类器检测目标,并在级联分类器中改进滑动窗口搜索机制,并应用ViBe前景提取算法作为第二步弱分类器,采用随机蕨类分类器作为第三级分类器,最后使用模板匹配得出检测目标位置。在此基础上,对算法中的学习融合模块做出设计。基于运动连续性原则,以跟踪结果邻近滑动窗口图像块作为正样本,其余为负样本,对检测器参数进行了在线学习,得到级联检测器的模板匹配方法中的样本类更新以及最后,实验使用PETS2000数据库和实际交通监控视频验证算法。实验结果表明在多个场景下,达到了一定的准确率,但是跟踪速度不能满足实时性要求;与此同时,在跟踪目标产生形变、旋转、尺度变化以及遮挡时可以稳定跟踪目标。