目标跟踪与检测技术是智能监控的核心,也是行为理解与场景分析的技术基础,在人脸识别、行为分析、机器人技术、智能交通等方面有着广泛的应用。已有的目标跟踪与检测算法取得了很大的成就,但由于目标姿势变化、光照变化、遮挡、运动模糊、尺度变化和背景复杂等因素,准确的目标检测与跟踪仍然存在很大的问题。本文针对尺度变化和目标遮挡等问题,深入研究并改进了基于随机蕨丛和Lucas-Kanade光流法的目标检测与跟踪方法,通过仿真实验验证了本文方法的可行性,设计并实现了目标检测与跟踪系统。本文主要研究工作如下:1.本文对目标跟踪算法的研究现状进行了分析和总结,就目标跟踪算法面临的技术难点和现有跟踪方法存在的不足进行了归纳,对KCF算法进行分析并针对该算法在尺度变化和遮挡问题等方面存在的不足进行了改进。2.本文研究了多特征融合方法,进行目标跟踪时,分别提取了HOG特征和CN特征训练位移分类器,HOG特征用于分析图像梯度信息,CN特征侧重于表示颜色信息,并将最后的响应分布进行融合输出最终目标位置。3.本文研究了基于Lucas-Kanade的尺度估计方法,利用光流法确定上一帧关键点在当前帧中的位置,并计算对应关键点对在连续两帧间的距离比值,使用关键点的响应输出对距离比值赋予权重,计算平均的距离比值作为尺度变化因子,最终输出尺度估计结果。4.本文研究了随机蕨丛的在线检测方法解决遮挡问题,当目标消失后再次出现需要检测模块来重新获取目标,利用随机蕨丛算法训练判别分类器进行重检测,在相关滤波器的跟踪响应低于设定的阈值时,则触发检测器进行目标检测并将结果用来更新目标模型。最后,总结了本文的研究内容,提出了未来的研究工作和内容,为后续研究奠定了基础。