目标检测和跟踪作为计算机视觉的基础研究方向,也是最热门的研究领域。在军事侦察、目标打击、智能家居、视频监控和交通管理等场景中有着广泛的应用。但是由于应用场景复杂、计算平台的限制、目标的尺度及形状变化等复杂问题的存在,目标检测和跟踪算法中仍然有很多困难需要解决。本文以构建实时目标检测及跟踪的系统为目的,针对以上问题展开研究,有效地改善了跟踪系统中首帧检测算法和跟踪算法的性能。本文的主要工作以及创新点如下:(1)基于显著性检测的首帧目标提取算法:显著性检测在图像处理领域中有着重要的作用,常用作图像预处理过程中的关键一步,旨在将人类所感兴趣的区域标记出来,方便后续的进一步处理。在本文中,将运算成本较低的显著性目标检测用于整个跟踪系统的首帧检测。而现有的显著性检测算法只能输出低精度的显著图而忽略了显著目标的完整性,难以用于目标跟踪系统的首帧检测。本文提出了一种基于超像素互相关的显著目标提取算法(SPC),该算法提出变权重的超像素分割方法将原始图像快速分割成多个超像素,以空间距离和颜色距离判定两个超像素之间的相关性。通过超像素间显著值互相分配的策略生成显著图,并用余弦窗口矫正显著图。最后对显著图像进行二值化并以连通域检测提取显著目标。实验结果证明本文算法能够准确标记显著目标,与其他显著目标检测算法相比,本文算法精度更高,所提取的目标整体性更强。(2)针对跟踪过程中的尺度变化问题:目标尺度变化一直是目标跟踪领域中重要问题之一。而现有的跟踪算法大多不能有效地适应目标尺度的变化。而能适应尺度变化的算法,都是通过多次缩放图像尝试找到最佳尺度,这样计算目标尺度极大地提高了算法复杂度,很难在实时系统中实现。针对这一问题,本文提出一种基于模板自相关的尺度自适应目标跟踪算法(CFAM)。该方法以相关滤波跟踪器为基础。首先将每帧样本构造为循环矩阵,并使用核递归最小二乘法学习分类器。通过FFT加速卷积过程。在相关滤波过程中,利用每帧图像的标准模板计算自相关矩阵,通过自相关矩阵的特征映射得到目标尺度变化。与其他算法相比,本文算法以极小的代价在跟踪过程中计算出了目标尺度,且具有更好的精度与速度。(3)针对跟踪过程中目标形状变化的问题:目标形状的变化一直是目标跟踪领域中难以解决的问题之一,针对这一问题,本文将运动目标检测与相关滤波算法相结合,两者互相依赖、互相制约,以适应对目标的形状变化。在本文方法中,首先采用相关滤波跟踪算法获取一个粗略的目标位置;之后在该位置附近进行运动目标检测,得到运动目标坐标位置;最后将两者结果进行融合,得到最终的目标位置。此外,在运动目标检测过程中,本文通过前后帧图像的匹配来预测和消除镜头抖动,增强算法鲁棒性。实验中,在OTB-100数据集上测试了本文算法,并与其他先进的跟踪算法进行了比较。实验结果表明,本文算法能很好地适应在目标跟踪过程中目标形状变化的问题,能够完成其他算法不能完成的跟踪任务。