基于视频的行人检测与跟踪算法研究是计算机视觉领域的一个热点研究方向,该研究在智能交通、智能监控、机器人、视频浓缩与传输等领域都有着非常广泛的应用前景。然而,由于检测环境的复杂性以及行人姿态各异,同时存在遮挡和干扰等其他因素的影响,使得该研究仍面临着许多困难,检测的准确度和跟踪的稳定度都有待进一步提高。本文在研究行人检测与跟踪中现有的算法基础之上,着重对以下几个问题进行了改进：1、由于行人的非刚性特征,目标的特征提取就成为检测的关键性问题。本文首先对现有的行人特征描述算子进行分析,最后确定出采用方向梯度直方图(Histogram of Oriented Gradient, HOG)特征和LUV颜色特征进行多特征融合来对行人进行描述,使得检测的准确率提高。2、针对背景减除法中静止物体存在的空洞、易受光照影响等问题,本文详细研究了产生问题原因,并提出了解决方法。另外,针对行人跟踪过程中经常出现的行人相互遮挡影响跟踪准确度的问题,本文深入分析了相互遮挡的具体过程,对遮挡情况进行建模,使得在行人跟踪过程中出现的相互遮挡情形也能准确的跟踪,而且这种模型可以扩展到其他遮挡场景。3、详细研究了复杂场景中的跟踪不稳定问题原因,针对Online Boosting方法能够进行实时更新的特点,本文采用Online Boosting进行在线更新的方法来改进粒子滤波模型,使得在遮挡和复杂场景中能稳定的跟踪目标。实验结果表明,本文所采用的基于Online Boosting的粒子滤波行人跟踪算法提高了行人跟踪的准确度和稳定性能,并且可以在多变的环境中取得较好的跟踪效果。