随着科技进步和社会发展,计算机视觉跟随人工智能的脚步走入人类视野。目标检测与跟踪课题,作为计算机视觉的关键问题,也是一个经典难题,近年来受到各个相关领域研究学者的关注,并且应对不同场景探索不同的检测与跟踪算法。在目标检测和目标跟踪两个领域中,关键的问题都在于如何有效描述目标、如何让计算机准确识别目标;不同点在于检测看重的是精确度,而跟踪在于实时性。应对这两种需求,本文结合支持向量机的优秀分类特性,研究了以下检测和跟踪系统。对于目标检测系统,在其训练阶段,首先在每个滑动窗口中分别计算HOG特征与LBPHF特征,然后将两者结合构成联合特征。接着利用线性支持向量机(SVM)训练分类器,其中本算法通过自举法(Bootstrap Method)不断更新优化分类器,以此获得最优判别模型。在训练阶段的基础上,将提取所得的联合特征输入上一阶段所获得的分类器中进行判别,最后采用非极大值抑制(NMS)的融合方法对重叠检测窗口进行融合,以此获得最终的检测结果。实验证明改进后的方法满足检出率高、计算复杂度低、抗行人肢体偏转干扰能力强等要求。对于目标跟踪系统,首先利用无模型的跟踪框架,运用改进的HOG-LBPHF对目标进行表观,并且结合目标间的结构信息,以此来训练SVM。其次采用被动主动感知器对分类平面进行优化。最后用最小生成树模型确定下一帧的所在位置。经过实验对比,本算法具有良好的跟踪性能。