目标跟踪是计算机视觉领域最热门的研究方向之一,而多目标跟踪是目标跟踪任务中极为重要的一个研究分支,具有非常重要的研究价值和商业价值。随着相关技术的飞速发展,多目标跟踪已经广泛应用于很多领域,包括无人驾驶、监控系统和医疗影像处理等。近年来,受益于目标检测技术取得的突破性进展,基于检测的跟踪是当下多目标跟踪领域中最为热门的研究思路。该类算法将跟踪过程分成两大部分:目标检测和数据关联。首先,将视频输入进目标检测器中,获取到运动目标的状态,即检测结果;然后,设计跟踪模型将获得的检测结果进行数据关联;最后,利用最优关联结果生成目标轨迹。该类算法具有很好的扩展性和较高的研究价值,吸引着越来越多学者的关注和研究。本文针对基于检测的多目标跟踪技术展开分析和研究,主要工作内容如下:1.对多目标跟踪技术及其相关领域进行了充分的调研和深入的分析,对基于检测的多目标跟踪算法的思想理论和工程实现进行了详细的研究和阐释。2.针对现有多目标跟踪算法存在的问题,提出一种基于运动结构和卡尔曼滤波的在线多目标跟踪算法。本文算法将多目标跟踪的数据关联过程分成两个阶段:逐帧跟踪和轨迹恢复,并为两个阶段分别设计独立的跟踪模型,更适合于解决各阶段遇到的特殊问题,提高跟踪精度;3.根据目标间的相对运动关系,提出一种运动结构模型,包括同一帧内的运动结构和相邻帧间的运动结构。此模型能够更加充分的利用运动信息,增加类内区分度;4.提出一个基于运动结构的逐帧跟踪模型,利用建立好的运动结构对跟踪进行指导和约束,能够更加充分的利用运动信息,提高跟踪精度;5.多目标跟踪算法在受到误检、漏检等干扰时,易产生轨迹丢失和中断问题。本文提出基于卡尔曼滤波的轨迹恢复模型,利用卡尔曼滤波对丢失目标进行状态预测,在后续帧中对预测结果进行数据关联,重新找回丢失目标,能够减少轨迹碎片,增强轨迹的完整性;6.实验结果证明,本文算法的跟踪准确率有明显提高,轨迹碎片减少,同时对运动多样性和环境复杂性等问题具有很好的鲁棒性。