近年来,针对传统视频处理存在的智能化程度低、处理误差大、无法进行检测及跟踪等问题,越来越多的视频监控场景采用计算机视觉技术。计算机视觉技术的引入使得视频处理更加智能、高效、人性化。目标检测及跟踪是计算机视觉领域的研究热点,在人类的社会生产及活动都有着重要应用,它的主要任务是发现并定位目标,然后对目标进行跟踪和分析判断。但在实际应用场景中,存在诸如目标遮挡、尺度变化、跟踪漂移、背景复杂等诸多挑战对检测及跟踪造成干扰。本文针对实际应用场景中存在的问题,分别从目标检测及目标跟踪两个方面进行分析研究,针对现有算法存在的优缺点,提出一种基于YOLOv3(You Only Look Once)算法和核相关滤波(Kernel Correlation Filter,KCF)算法的改进型运动目标检测跟踪算法,并围绕铅鱼检测跟踪监控系统中的具体应用展开论述。1.针对YOLOv3在进行目标检测的过程中需要大量的实时计算,普通计算机无法处理大量的实时计算,检测实时性较差,无法满足运动目标实时检测的要求,提出M＿YOLO(Moving＿YOLO)运动目标自适应检测网络结构,通过采用更加精简的网络模型YOLOv3-Tiny,调整其网络结构,将预测时的网络模型的批量归一化层(Batch Normalization,BN)层合并到卷积层,减小计算量,提升模型预测速度。改进的M＿YOLO算法在准确率上相比于YOLOv3-Tiny提升6.73%,漏检率降低5.21%,误检率降低1.61%,在实时性上相比于YOLOv3的14FPS提升到33FPS,实时性提升明显。综合来看,M＿YOLO平衡了检测准确率及实时性。2.针对KCF算法在跟踪过程中存在的尺度不能自适应及无法处理目标遮挡的问题,提出基于KCF算法的运动目标自适应跟踪算法M＿KCF(Moving＿KCF),该算法采用基于尺度金字塔的双重尺度估计策略,实现目标尺度自适应的同时又不对跟踪速度造成较大影响。同时还引入峰值旁瓣比(peak to side lobe ratio,PSR)来判断跟踪过程是否存在遮挡或者跟踪是否失败,当PSR小于某一阈值时停止目标跟踪,重新选取目标模板,进行目标初始化。完成目标初始化后继续进行跟踪,进而增加算法跟踪精度,提高跟踪成功率。改进的M＿KCF算法比于KCF算法,在OPE评估方法下,精确度提高了6.6%,成功率也提高8.5%。3.针对传统目标跟踪算法在复杂的应用场景中鲁棒性差,跟踪精度低,以及基于深度学习框架的检测算法在进行检测时实时性较差等问题,本文提出了一种基于M＿YOLO和M＿KCF的改进型运动目标自适应检测跟踪框架M＿YOLO＿KCF(Moving＿YOLO＿KCF),既能解决KCF算法用于跟踪时需要手工框选目标、目标物体快速移动和遮挡造成的目标丢失以及误差积累造成的跟踪框漂移问题,又能解决YOLOv3算法用于跟踪时的实时性问题。通过试验结果分析及实际应用场景中的性能表现,提出的改进算法M＿YOLO＿KCF能够准确的检测出目标并进行实时跟踪,实现目标检测及跟踪的自适应,在实际铅鱼检测及跟踪应用场景上取得较好应用效果。