本文的主要研究内容是针对视频序列中的行人目标进行检测与跟踪。行人目标的检测跟踪是近几年来的研究热点,受到了众多研究者的广泛关注。通过对传统的目标识别跟踪算法进行研究分析之后,本文在此基础上改进了相关算法。本文的主要研究成果如下:(1)改进背景模型。在总结了传统算法的优缺点后,为提高检测算法的实时性,提出了一种基于平均背景模型的权值可变的背景模型。该模型的基本思想是:将图像序列的背景区域划为四类,对于不同的背景区域,赋予不同的权值。从实验效果可以看出,该模型在准确区分了前景和背景的情况下,还减少了大量的冗余计算,提高了模型的实时性。(2)基于信息熵的梯度方向直方图(HOG)特征提取。在提取局部区域的HOG特征时,充分挖掘梯度方向的分布混乱程度,计算出相应的熵值,并将该值作为权值乘进对应的HOG特征向量。实验表明,将熵融入到HOG特征向量里可以加强SVM的判别能力;(3)支持向量机(SVM)算法检测行人头部区域。在实际情况下,行人会因为身体被遮挡、不同的姿态又或者是拍摄角度的等情况的影响,使得传统的行人检测算法很难将行人提取出来。为了规避上述因素的对行人检测的影响,本文采用SVM分类算法对行人头部区域进行检测。采取这种行人身体的部分区域检测,既可以避免以上因素的影响,同时也降低了检测时的计算量,减少了运行时间。