随着社会发展、安全需求的提升,特定目标检测追踪的研究在模式识别领域日趋处于主导地位。目前,目标追踪检测已经在病变细胞识别、机械零件缺损、家居安防、机器人智能系统等领域得到了广泛的研究和应用。如果一种方法能够在视频中实时实现多种特定目标的检测追踪,这无疑为生物医学、军事打击、民生安全等领域的研究大启方便之门。流行的人脸检测算法—Adaboost,具有高的检测精度、良好的实时性、对光照和姿态的强鲁棒性等特点,因此在目标检测领域受到了广泛重视。本文研究了基于Adaboost算法的特定目标检测追踪,改进了传统的Adaboost算法,使其适用于人眼、人脸特征以及汽车等多种目标的检测跟踪。主要的研究工作如下:1.研究了一种双层结构的Adaboost分类器,将其应用于眼睛的定位检测和跟踪。双层眼睛分类器由训练获得的双眼区域和单眼区域分类器级联构成一个强分类器。相对于传统的YCbCr色度空间眼睛模板,该算法对光照变化有更强的鲁棒性。该算法不但保留了原有普通Adaboost分类器的高检测率,在一定程度上降低了眼睛的误检率。通过研究训练样本数、训练级数和Adaboost分类器误检率三者间的关系,提高了分类器训练效率。2.YCbCr色度空间人脸特征检测算法与Adaboost算法的融合。计算YCbCr分类器与Adaboost分类器的正确分类率,归一化两正确分类率作为融合信息置信度,利用置信度构建融合信息分类器;该融合分类器弥补了YCbCr分类器对光照变化弱鲁棒性,增强了人脸特征检测追踪的光照变化鲁棒性,同时提高了人脸特征检测精度,把只能在彩色空间下完成的人脸特征检测扩展到了黑白、多光照变化等情况。3.改进Adaboost算法。置换Haar-like特征为Patch-like特征。在第一轮循环训练中,依照分类能力强弱,排序挑选出弱分类器;把挑选出的众多弱分类器映射到本论文提出的“补丁”子窗上;最后生成一个加权的强分类器。该算法实现了复杂背景下的汽车的检测,同时可被扩展应用于多种目标的检测。4.研究了多种像素质量的视频流前端对目标物体检测精度的影响。对高端Basler641fc摄像机进行API开发,将其集成于检测跟踪系统。