目标区域提取与检测是计算机视觉中备受关注的问题,广泛的应用于视频监控、行人识别、无人驾驶等军事和生活的前沿领域。随着应用领域的拓宽与科技的发展,人们对于视频目标的检测速度和准确率有了更高的要求。研究的重点部分在于提取出可能存在目标的候选框并进行筛选。而常见的光照、视角、背景遮挡、目标过小等问题,给目标区域的提取与检测的研究带来了难题。针对以上问题,本文对视频中的目标区域提取与检测算法进行了研究与改进:(1)针对区域提取方面,提出了一种新的目标区域提取算法HSS算法。在Selective Search算法前先使用Harris角点检测算法提取图像中的角点,保留图像的重要特征。Harris角点算法的加入,极大的减少了原始的Selective Search算法提取到伪候选框,降低了时间复杂度,并通过非极大值抑制算法去除冗余的候选框,削除虚假的目标区域,最终保留最好的结果。通过在正常目标、红外小目标、普通小目标的数据集上进行实验,证明算法能够在降低误报率、不漏检目标的同时,减少区域提取所用的时间,对于后续的目标检测过程的提速有着功不可没的作用。(2)在目标检测方面,充分利用深度森林(gcForest)算法在数据表示方面的长处,通过端对端的训练,提取输入图像与视频中更高维度的特征,从而提出一种改进的深度森林算法(gcForest-deep)。将深度网络结构加入到多粒度扫描阶段以构成深度多粒度扫描结构,提取更多维度的原始图像信息以输入后续的级联森林部分。将gcForest-deep算法应用于两种目标像素模糊的小目标数据集中,通过实验可以看出,该算法在小目标检测方面有更高的准确率,适用于对准确率要求较高的场景。本文针对目标区域提取算法中候选框冗杂的问题,提出了HSS算法,减少了检测到的候选区域和虚假目标,并降低了时间复杂度,大大提高了候选框提取的质量和效率。针对深度森林算法在级联森林部分缺少相关的原始图像信息这一问题,在结构中加入深度多粒度扫描层,提取到更多的特征,提高了目标检测的准确率。