目标检测与跟踪是计算机视觉领域的研究热点,随着技术的高速发展,逐渐应用到了生活、军事等各个领域。尽管已经有很多优秀的算法被提出,但在实际应用场景中,对检测算法的实时性要求较高,而且尺度变化、遮挡等因素会对跟踪算法造成较大的影响,目标检测与跟踪技术依然存在很大挑战。本文主要研究了基于深度学习的目标检测算法和基于核相关滤波的目标跟踪算法,针对存在的问题做出了相应改进。主要内容与改进工作如下:对基于深度学习的目标检测算法进行研究后,选择YOLOv4-tiny算法为基础算法,提出了一种改进后的轻量化检测网络L＿YOLO。该算法的Backbone网络由CSP化的先升维再降维的PDP结构组成,并使用深度可分离卷积大大降低了计算量与参数量。在网络的Neck部分,使用FPN+PAN结构使特征能够同时自顶向下和自底向上传递,提升了检测算法的性能,还增加了一个52×52大小的检测层来使网络更加适应尺寸多变的目标,提升了对小目标的检测效果。在训练阶段使用K-means++算法对训练集的真实目标框的宽和高进行聚类,可以得到更加符合数据集中目标宽高比的初始候选框,加速网络收敛,提高检测的精度。还对训练数据做了旋转增强和Mosaic增强处理,使网络泛化性能更好,进一步提高了检测的精度。本文提出的L＿YOLO算法与YOLOv4-tiny相比,模型存储量约为1/13,FPS提高了228,针对特定目标m AP增加了1.72%,可见本文改进算法在存储量、实时性和精度方面都具有优越性。基于核化相关滤波的目标跟踪算法能较好地平衡跟踪精度与速度,故本文在KCF跟踪算法基础上进行改进,研究了该算法的原理与缺点,提出了改进算法L＿KCF。首先在原算法基础上融入了颜色特征,使特征之间可以互补。为了解决尺寸固定和目标遮挡的问题,改进算法引入异常值检测,在利用KCF进行跟踪的过程中计算跟踪响应图的PSR与SPSR值,当SPSR值小于等于设定阈值的时候认为当前帧的跟踪结果可靠,继续正常跟踪,否则认为已经出现了尺度变化或目标遮挡情况,暂停KCF的运行,并记录前一帧的PSR和PSRold用于KCF恢复后SPSR的计算,这时利用L＿YOLO-d算法进行检测,通过检测算法得到的位置是否在KCF采样框中以及置信度来判断是尺度变化还是目标遮挡情况,使用不同的处理方法,直到重新捕捉到可靠的检测目标。以检测结果为准更新跟踪波门和KCF算法,并恢复KCF算法正常追踪。本文提出的L＿KCF算法与原KCF算法相比,精确度高出6.1%,成功率提升约9.9%,鲁棒性更佳,并能更好的应对尺度变化和目标遮挡情况。