计算机视觉是当前人工智能研究领域的热门之一,是人工智能中最富挑战性与研究性的领域。本文围绕计算机视觉领域图像分割、图像识别以及目标跟踪这三个核心问题展开了研究,主要工作如下:一、对图像分割中的GrabCut图像分割算法进行了改进。对传统的GrabCut进行了分析,针对该算法存在的忽略前背景像素联系、易造成欠分割的缺点,提出了一种Graph-based与GrabCut算法级联的改进图像分割算法。该改进算法的基本思想是:先对整幅图由Graph-based算法进行宏观处理,得到所有像素的粗略分类;用该分类信息修改传统GrabCut算法中的图像标签,完成图像分割,从而提高GrabCut的分割准确性。实验对比发现,改进后的级联算法在分割准确度上优于传统的GrabCut算法,但是由于Graph-based的加入,使得算法的复杂度有了一定的提升。二、提出了一种基于YOLO卷积神经网络的高斯混合模型(GMM)分类图像目标检测算法。对传统YOLO卷积神经网络图像目标检测算法进行了分析,针对传统算法中候选框数量及类型不足而造成算法准确性较低的缺陷,提出了改进的YOLO卷积神经网络图像目标检测算法。该算法的基本思想是:在传统的YOLO卷积神经网络目标检测算法的训练过程中,对所有目标矩形框使用GMM进行分类预测,增加目标的预测候选框,从而提高目标检测的准确性。实验对比发现,改进的算法提升了目标检测的准确性,但是由于候选框数量的增加使得算法复杂度略有提升。三、提出了一种基于多特征融合的相关滤波视频目标跟踪算法。在传统的相关滤波追踪算法中,使用HOG特征作为目标的识别特征,该特征具有对于目标形变敏感、不具有尺度不变性与旋转不变性等缺点。论文针对该缺点,提出了一种融合HOG、LBP以及CN三种特征的相关滤波目标跟踪算法,并对该算法中的融合参数的最优选取进行了仿真分析。仿真实验表明,改进后的目标跟踪算法在跟踪准确性上有了较大提升,但是由于特征维度的增加,算法复杂度略有增加;同时还发现,三种特征的融合参数对于识别的准确性有一定的影响。四、基于论文前三个工作,针对“动物运动特征视频监控”应用目标,编程构建了检测与追踪一体化的动物视频图像中的目标检测与追踪系统,并对该系统进行了仿真测试。