物体的识别检测是计算机视觉领域各项研究中的基础环节,对物体进行准确的识别检测能够为计算机视觉中的其他研究工作提供良好的指导。在基于学习有监督的物体识别检测中主要解决两个问题:一是如何选取有效的特征解决物体的旋转、平移、尺度变化,同时降低识别检测中的遮挡、噪声的影响来构造分类器以达到比较好的识别准确率;二是在分类器达到比较好的识别率的基础上如何提高物体检测的速度,从而能够在图像中快速识别检测到物体的位置。首先,针对第一个问题,由于图像的局部特征描述符具有以上特点,本文提出采用SURF这种局部特征描述符构造分类器。在图像的局部特征描述符中,SIFT有较好的性能,但是维数过高,计算时间过长,而本文采用的快速鲁棒性特征(SURF)相对SIFT有较低的维数和较快的特征计算速度,能够快速提取图像的局部特征。由于图像的局部特征是无序的、数量不定的,可以将该特征结合Bag-of-word模型和SVM构造分类器。实验证明这种分类方法比SIFT特征分类有更快的计算速度,并且对于复杂条件的图像达到了比较好的识别率。其次,针对第二个问题提出使用物体多分辨率检测框架进行物体检测。这种检测方法相比单分辨率下进行检测大大减少了物体检测的空间,从而减少了物体检测的时间,而且思路简单、易于实现。最后,针对目标跟踪中的均值平移(Mean-shift)跟踪算法中不能自动检测待跟踪物体初始位置的缺点,将上述快速鲁棒性特征物体检测算法与均值平移跟踪算法相结合,从而使得均值平移跟踪算法能够自动完成对于特定类别物体的检测跟踪。