随着计算机技术和人工智能技术的快速发展,计算机视觉、模式识别等研究领域近几年成为较热门的研究课题。行人检测与跟踪技术是计算机视觉和模式识别领域的一个热门研究方向,在智能交通、无人驾驶、公共安全监控等许多方面都有着重要的研究价值和实际意义。本文主要对行人检测与跟踪技术进行以下研究:首先对行人感兴趣区域的提取进行了研究。早期的行人检测大多针对像素较小的图片,然而现在大多都是高清图片像素较大,图片包含的信息太多,会大大增加运算量,使检测很难达到实时性的效果。针对行人检测速度较慢的问题,本文提出基于感兴趣区域的行人检测方法,分别针对单帧图像和运动视频序列图像两种情况的感兴趣区域提取进行了研究。对于单帧静态图像,使用Adaboost算法和级联分类器,通过对级联分类器每级中的检测率下限和误检率上限合理设置,可以进行快速行人区域提取;对于运动行人视频序列图像,针对传统的对称差分法容易产生边缘空洞的现象,本文对其进行了改进,消除空洞的产生,准确的得到了运动行人的轮廓,进而实现运动行人区域快速提取。实验结果表明,本文算法能够快速的找到行人感兴趣区域,为后续的行人检测大大缩小了检测范围,为实时性行人检测提供了可能。然后在行人感兴趣区域的基础上,对行人的精确检测问题做了研究。研究发现在行人检测所使用的特征中,HOG特征对行人的描述最好,因此本文使用HOG+SVM的行人检测算法进行行人精确检测。对HOG特征的提取和SVM分类器分类原理进行了研究,分析了 HOG+SVM的行人检测算法的优点是具有较高的检测率,缺点是存在部分误检和检测速度较慢。结合之前的行人感兴趣区域的提取,进行感兴趣区域的行人检测,实验结果表明,本文所使用的方法在保持较高的检测率的同时,降低了误检率,提高了检测速度,使检测时间从原来的每帧1.8s降低到0.19s。最后在行人检测的基础上进行行人跟踪的研究。介绍了连续能量最小化方法的相关理论,对能量函数构造模型进行了研究,将行人目标的观测模型、动态模型、互斥模型、轨迹维持模型及轨迹修正模型构建到一个能量函数中。对于行人运动中出现的遮挡问题,提出了关联跟踪与决策跟踪相结合的方法。最后使用梯度下降的方法对构造的能量函数进行求解,通过引入跳跃来寻找最优解。实验结果表明,本文所使用的方法在行人存在遮挡和运动方向多变的情况下,能够对于行人目标进行较准确和稳定的持续跟踪。