视频序列中行人目标检测与跟踪是指从视频序列中检测、识别行人目标,并对其中感兴趣的目标进行跟踪,以获取目标的运动和状态信息,是行为理解和描述等后续研究工作的重要基础,也是计算机视觉领域的一项重要研究内容,在智能视觉监控、智能驾驶、群体分析与管理、公共空间设计等领域中有着广泛应用。虽然针对行人检测与跟踪的研究已经取得了许多进展,但由于行人目标在静态和动态外观上有很大差异,且存在多种姿势、多种角度、距离摄像头远近不同等情况,使得行人检测与跟踪问题仍然是一项非常具有挑战性的研究工作。本文针对视频序列中行人目标检测与跟踪方法展开研究,主要成果包括:(1)给出了一种基于非极大值抑制的改进行人检测算法,在HOG特征和SVM结合的行人检测算法基础上,针对检测结果存在候选框重叠冗余问题,引入非极大值抑制方法对检测结果进行修正,实现了多种场景下行人目标的准确检测。首先,采用滑动窗口从待检测图像中获得分类窗口,并计算每个窗口的HOG特征;然后将每个分类窗口的HOG特征输入训练好的SVM分类器进行分类检测得到分类结果;最后,采用非极大值抑制算法,保留检测结果中置信度高的候选框,去除冗余候选框,得到准确的检测结果。实验表明,改进的算法在多个场景中均能获得较好的检测结果,相比于传统的检测算法准确性更高。(2)提出了一种基于稀疏表示的改进粒子滤波跟踪算法,适用于行人等存在运动突变情况的目标跟踪,并改善了粒子滤波跟踪算法的粒子多样性匮乏问题。首先,根据存在运动突变情况的目标粒子权值具有的稀疏特性,采用稀疏表示方法计算粒子权值,实现感兴趣目标的有效重构并准确预测目标运动区域;然后,引入基于非线性排序机制的重采样算法,重采样过程中保留了更多的有效粒子,改善了粒子多样性匮乏问题,对运动突变的目标跟踪具有更好的鲁棒性。实验结果验证了改进的算法对于行人等存在运动突变情况的目标跟踪的有效性,在多个场景的视频序列中均取得了较好的跟踪结果。