行人检测与跟踪是计算机视觉领域中的重要研究问题,也是实现智能安防视频监控系统的核心部分,在无人驾驶、视频监控、视频检索等方面都有着广泛的应用。由于行人目标姿态多变,外观易受衣服、非刚性形变、遮挡等因素影响,一直是计算机视觉领域中的重要研究问题。本文对行人检测与跟踪技术进行深入研究与分析,针对其存在的问题,提出基于DPM(Deformable Parts Model,DPM)和KCF(Kernelized Correlation Filter,KCF)方法的改进,同时设计和实现了智能视频监控系统。主要工作如下:1、提出了一种基于DPM和网格密度聚类的行人检测算法,以提升复杂背景下DPM的行人检测效果。具体方法如下:首先,通过三帧差法进行运动目标检测,并以此采集目标坐标点。然后结合提出的G-Cluster(Grid Density Clustering)聚类算法找到频繁运动区域,并对非频繁运动区域进行掩膜处理。最后,通过EdgeBoxes算法对处理后的图像进行检测,获得候选检测窗口,并输入至分类器中完成检测。实验结果表明本算法能够有效提升模型行人检测效果。2、提出了一种鲁棒的KCF行人跟踪算法,以使算法能够有效应对因尺度变化、目标遮挡等因素造成的跟踪漂移和跟踪失败。首先,对HOG特征和HSV特征的响应分布进行特征融合。其次,设置动态选择尺度池改进滤波器的固定尺寸匹配。最后,通过滤波器响应最大值的变化率衡量目标的遮挡情况,并根据上一成功帧的目标信息,通过EdgeBoxes和感知哈希算法找回目标,更新滤波器。实验结果表明本算法有效的提高了跟踪精度,能够有效的应对复杂场景下的跟踪任务。3、将以上提出的算法作为核心模块,设计开发了智能视频监控系统。本系统还包括视频输入模块、存储模块以及区域入侵检测模块,形成了一套适用于真实场景下的监控系统。实验表明,本文设计实现的智能视频监控系统具有较高的智能化和有效性,能够更好的保障监控区域的安全,具有极高的应用价值和前景。