随着人们生活水平的日益提高,人们对生活的便利性和安全性有了更高的需求。近年来人工智能的飞速发展,让人们看到了未来更多的可能性。而计算机视觉一直以来都是人工智能的重要发展方向,它赋予了人工智能系统感知世界的眼睛。计算机视觉被广泛的应用于无人驾驶、智能监控、安全生产等领域。其中,目标检测和多目标跟踪算法,是计算机视觉领域的重要研究方向。在过去几十年的发展中,目标检测算法和多目标跟踪算法,从传统机器学习和人工特征算子(HOG、SIFT、卡尔曼滤波器等)阶段,逐步发展为基于深度学习的自主学习阶段,检测和跟踪的准确性和速度都有了大幅度的提升。本文将着重研究目标检测算法和多目标跟踪算法在智能安防监控中的应用。工厂为了保证工人自身以及工作环境的安全,会对工人提出在工作中必须佩戴安全帽、穿上工作服、禁止吸烟等要求。为此,论文将具体研究如何通过机器学习算法实现安全帽佩戴检测和人员跟踪的功能。论文主要的研究工作如下:(1)本文提出了一种基于颜色分布的安全帽检测算法,在该算法中本文引入了CSP(Center and Scale Prediction)行人检测网络,通过结合检测框中的颜色分布特征,有效提高了安全帽检测的准确度。通过现场采集的安全帽数据集进行测试,进一步验证了算法的有效性。(2)本文提出一种基于匹配矩阵多特征融合的多目标跟踪算法。在该改进算法的中本文使用了deep-sort多目标跟踪算法作为基础框架,通过多特征融合的方式,对分配矩阵进行多角度的约束以提升跟踪效果。通过对比实验证明了多特征融合后的匹配矩阵可以有效地提高目标跟踪的性能。(3)本文提出了一种基于光流特征融合的多目标跟踪算法,通过融合光流特征以及目标的表观特征来提高多目标跟踪的准确度。具体的讲,该网络以DAN(Deep Affinity Network)多目标跟踪网络为主干网络,通过Flow Net2将帧间光流信息引入其中实现目标的运动特征和表观特征的融合,有效的提升了多目标跟踪的准确性和鲁棒性。