目标检测与跟踪作为机器视觉领域中最重要的研究课题之一,已成为当今智能时代的关键技术。其广泛应用于各个行业和领域,成为了人们生活的一部分,例如人机交互体验、公共安全监控、交通道路系统及军事应用等。目前,目标检测与跟踪技术在性能上还存在很大的提升空间,本文旨在为目标检测与跟踪算法性能做出优化,从而提升检测与跟踪的准确率、速度和稳定性。首先,对于单目摄像机采集的图像,目标跟踪难以解决以下几个难题:(1)多目标之间相互遮挡;(2)目标阴影造成的干扰;(3)外观多样性对跟踪结果造成影响等。本文基于双目视觉,恢复目标三维场景特征,有效地解决了目标遮挡以及阴影干扰带来的问题,从而提高目标检测与跟踪的准确率。其次,目前很多基于双目视觉跟踪算法通过获得场景稠密深度信息图,并对目标进行立体建模,实现对目标进行检测与跟踪。但这需要计算每个像素点的深度信息,因此跟踪速度较慢。本文通过提取场景稀疏的Harris特征点,并手动设定监控区域,过滤背景的特征点,从而减小算法计算复杂度,加快目标检测与跟踪的速度。根据目标形状特征,构建核函数,并使用Mean-shift爬山算法对稀疏特征点进行聚类检测。以行人跟踪为例,行人在地面投影类似椭圆,Mean-shift聚类时构造位置椭圆核函数。这样不仅能加快目标检测速度,而且可以避免因目标颜色、纹理等变化对检测结果带来干扰,具有更广泛的应用意义。根据检测结果,利用卡尔曼滤波算法可以建立序列图像相邻帧之间目标位置关系,从而对目标进行跟踪。再次,对稀疏特征点进行聚类时,本文通过标定地面参数建立世界坐标系,更好地对目标特征点进行处理。但是一旦相机发生微小的偏移,可能会严重影响目标检测与跟踪结果。对于直立细长的目标,不同目标的特征点在地面上投影分得最开。因此本文根据已有的检测结果,利用LDA算法求解投影平面,使得不同目标特征点分得最开,根据分析和实验结果验证可知,该平面即为地面。通过该方法可以自适应校正平面方程,当相机发生微小偏移时,可以自适应调节相机坐标系与世界坐标系之间的关系,从而增强系统的稳定性。本文对不同场景进行大量实验,结果表明,对稀疏特征点聚类检测并通过卡尔曼跟踪算法可以取得较好的跟踪效果,并且,利用线性判别分析算法(LDA)自适应校正平面参数方程,能提高跟踪系统的准确率和稳定性。