摘要:随着机器学习和人工智能技术的发展，计算机视觉技术的应用越来越广泛，目标检测、跟踪作为计算机视觉领域热点问题，吸引了越来越多研究人员的关注。该领域目前仍然面临诸如目标姿态变化、光照变化、运动模糊、局部遮挡等问题，因此研究面向实际应用的目标检测跟踪技术成为关注重点。

本文主要对工程应用较好的Open Tracking-Learning-Detection（OpenTLD）框架引入卡尔曼轨迹预测法优化目标搜索路径进行改进。通过卡尔曼预测法对目标样本的预测，以削减样本对比数量从而降底算法的计算复杂度。以此提高OpenTLD框架下目标跟踪算法的实时性和鲁棒性。

经过实验仿真测试，本文改进后的OpenTLD在监控系统中单目标行人检测方面体现出了显著的实时性。对于光照变化、姿态变化、目标模糊、背景变化较慢的单目标跟踪情况，相较于原始OpenTLD，实时性提高20%-30%，准确率提高5%-10%；对于有多目标干扰、背景变化过快的场景，相对于改进前其跟踪失败的可能性降低30%左右。

本文对OpenTLD算法改进而使其在目标检测与跟踪上产生的有益效果，使得该算法可以在视频智能监控、机器人视觉导航、生态物种监测等方面得以更好的应用。

关键词：目标检测；OpenTLD；卡尔曼滤波；目标跟踪

目录

摘要

Abstract

1 绪论-1

1.1 引言-1

1.2 研究背景及意义-1

1.3 目标检测跟踪-1

2 视频目标检测基础-3

3 目标初始检测算法设计-5

4 目标检测与跟踪算法设计-6

4.1 OpenTLD检测跟踪学习算法-6

4.1.1 跟踪模块-7

4.1.2 检测模块-8

4.1.3 综合模块-11

4.1.4 学习模块-11

4.2 Kalman滤波与OpenTLD算法融合-13

4.3 仿真结果与分析-14

结    论-17

参 考 文 献-18

致    谢-19