人体识别和跟踪技术是计算机视觉领域重要的研究方向和研究热点,它在智能交通系统、机器人、交互系统、智能视频监控系统、自动驾驶系统等方面有着广泛的应用。本文主要从人体目标识别和运动人体目标跟踪两个方面进行研究,研究场景主要是室内环境,利用微软体感设备Kinect传感器进行彩色图像及深度图像的采集,主要工作内容如下:首先研究了视频图像中人体目标识别算法,采用HOG特征与SVM分类器结合的方法,借助行人数据库INRIA提供的样本进行分类器训练,实现彩色图像中人体目标识别。为了在保证检测率的同时,加快检测速度,采用积分图及三线性插值法优化了HOG特征提取过程。针对训练样本中正负样本不均衡问题,采用级联结构构造SVM分类器。在进行人体目标检测时,采用金字塔方式实现多尺度的行人检测,并且使用非最大抑制法进行不同尺度下检测窗口的融合。为了提高人体目标识别对于光照的鲁棒性,采用彩色图像与深度图像联合的方法,在深度图像样本中提取HOD特征,经过特征训练得到深度图像中分类器,将两种分类器结果融合实现基于彩色及深度图像联合的人体目标识别。在运动人体目标跟踪方面,重点研究了基于Kalman滤波器的目标跟踪方法和基于Camshift算法的跟踪方法。基于Kalman滤波器的跟踪是对目标的运动信息进行预测实现跟踪,而基于Camshift算法的跟踪是利用目标自身的颜色特征进行特征匹配实现跟踪。本文将两者结合来实现视频图像中人体运动目标的跟踪。如果出现目标被遮挡或跟踪丢失时,利用Kalman滤波器的预测结果,在图像的预测区域范围内搜索目标,提高了再次成功检测到运动人体目标的概率。重新搜索到目标后,利用Camshift算法的跟踪结果对Kalman滤波器进行修正。这种方法将目标的颜色信息与运动信息结合来确保跟踪的准确性,可以在很大程度上解决目标被遮挡的问题。