视觉目标跟踪是机器视觉、图像处理和模式识别等领域重要的热点研究方向之一.在人体目标跟踪的实际应用中,由于动态环境的复杂性和多样性,使得跟踪算法的研究难度增加。近年来,国内外很多研究人员对跟踪算法的深入研究,提出很多优秀算法,但是仍然没有一种算法能够胜任任何场景下的人体跟踪。针对复杂动态环境下人体形变、光照变化和背景遮挡等因素对跟踪算法的影响进行研究和分析,提出改进的跟踪算法,并通过大量实验进行验证。研究内容和取得成果包括:1.针对动态环境下常用的人体前景检测算法的优点和存在的不足,对三帧差分法和背景减法提出一种改进的自动阈值分割混合模型人体检测算法,设计出独立人体前景检测模块,能够在动态环境下完整提取人体轮廓。为提高复杂环境下人体检测的精准度,改进基于SSD(Single Shot MultiBox Detector)检测算法的网络模型,增加SSD检测结构中的比率边界框和训练数据,准确检测出人体前景,以便后续跟踪算法提取人体目标有效特征。2.在人体检测结果的基础上,针对背景中光照变化和人体形变等影响,研究利用Brisk算法对人体区域提取特征点,改进特征点检测聚类方法,针对初始特征描述匹配集合中出现错误匹配特征点提出二次聚类进行筛选匹配点集合,有效精确更新下一帧匹配库来完成在复杂场景中人体目标跟踪。3.针对动态环境下背景遮挡和人体快速移动导致目标无法在搜索范围内检测的问题,基于Camshift算法的研究,改进HSV和YCbCr双通道颜色空间模型,利用迭代法更新人体目标中心点进行不断修正,更新人体目标模型达到自适应检测效果。利用卡尔曼滤波和马尔科夫模型预测下一时刻目标的位置区域,以该位置为中心的搜索区域,有效减小检测器检测范围和干扰因素的影响,提高跟踪精度。针对复杂动态背景下对跟踪算法的研究和改进,并深入研究基于深度学习跟踪算法的适用复杂场景和跟踪性能。通过多组不同复杂场景视频测试验证,改进算法有效减小场景中人体形变、光照变化和背景遮挡的影响,实现对人体的准确和实时跟踪,使得跟踪算法更具有鲁棒性。