动态目标检测与跟踪技术是计算机视觉领域研究的热门课题之一,结合视觉导航、人工智能以及模式识别等相关领域的研究成果,在视频监控、视频检索、医学图像分析等众多领域占据着重要角色,因此该研究课题具有重要的理论意义和实际使用价值。本论文基于OpenCV计算机视觉库,采用Python编程,以视频中的运动目标为研究载体,采用数字图像处理技术对图像进行处理,改进目标检测算法提高检测过程的实时性和有效性,优化跟踪处理算法实现目标的快速和准确跟踪。本论文主要研究内容如下:1)基于深度学习的运动目标检测算法研究:首先,本文以传统SSD(Single Shot MultiBox Detector)算法为基础,针对提高实时性方面,采用ResNet50替代传统的VGG16网络模型;其次,针对提高有效性方面,将以Softmax激活函数为代价函数的传统SSD算法基础上,引入中心损失,作为改进的SSD算法的代价函数;最后,在Pascal VOC 2007数据集和实际场景中进行实验,并与YOLO、传统SSD算法进行对比。实验结果表明,改进的SSD算法有效性增强,实时性提升,并且精度更高。2)基于Mean Shift和Kalman滤波鲁棒的跟踪算法研究:在本文中,改进Mean Shift算法,并将其与Kalman滤波进行融合来跟踪运动目标。首先,视频由每帧中每个像素的R、G、B三个字节组成,将跟踪窗口中像素的每个字节向右移动4位,即:每个字节减少到1/16;其次,将三个半字节连接到一个范围从0到4095的整数。通过改进的Mean Shift算法,不需要计算Bhattacharyya系数,降低跟踪过程的计算复杂度,且可以实时跟踪运动目标,但发现跟踪的鲁棒性不理想,因此使用Kalman滤波器来改善其跟踪窗口,达到优化的目的。实验结果表明,该方法可以快速跟踪运动目标,且鲁棒性增强。