多行人目标检测与跟踪技术在智能视频监控、智能交通、现代国防等众多领域都具有重要的研究价值和应用价值。由于场景的复杂性、行人目标的多变性等因素,研究出具鲁棒性、可靠性的多行人运动目跟踪算法面临着巨大的挑战。本文基于前人提出的研究成果,尝试总结多行人目标跟踪算法,找到较优秀者并作适当改进,解决了一定的跟踪难题。本文从行人目标的特性入手,研究目前常用的一些行人特征提取方法。特征提取有助于对图像内的待跟踪目标进行定位,是基于静态图像的行人检测的基础。本文对几种行人特征提取方法进行总结与评价,,提出特征算子两两联合的组合方案,分析这些方案的可行性,选取其中三种组合方案即Haar-LBP、Haar-HOG和LBP-HOG进行实验,对比各自优势和不足。据此提出一种利用Haar-LBP特征和LBP-HOG特征的二阶层特征提取算法及相应的行人检测策略,实验表明该特征提取方法对于基于静态的图像的行人检测表现优秀。对于基于动态视频帧的行人检测,本文重点介绍三种背景减除方法:混合背景高斯建模较经典,其检测效果佳,但受阴影影响较大;对码本建模算法,在判断亮度时采用RGB-YUV颜色空间上的转换,一方面将平方运算改为线性变换,提高运行速度,另一方面保留前景目标的颜色外观,以便可以在跟踪阶段将颜色作为外观特征的一部分来进行目标的身份识别;基于像素的自适应分割算法是较新颖的另一种无参数背景建模方法,其原理直观,易于实现。对三种背景减除法进行对比实验,评估其检测运动前景的性能。对行人目标的判别,本文介绍星形向量法与垂直投影法,并联系特征提取部分,提出先背景减除后特征提取的行人判别法,通过实验对比星形向量法与特征提取行人识别法的行人判别效果。目标跟踪部分,本文对基于数据关联的跟踪算法进行研究。其中选取两种方法进行研究:基于上下文推理的实时行人跟踪算法能够利用有限状态机(FSA)模型,判断并保存目标先前状态,根据目标当前特征及前一个状态对“语境”做出分析,推断目标当前状态;基于离散-连续优化的多行人跟踪算法是通过检测阶段得到的结果建立多种轨迹假设,采用多项式来量化各种假设轨迹的可能性,通过能量函数的最小化同时对离散的身份标识和连续的轨迹假设作最优化估计。这两种方法都能在一定程度上解决目标进入、合并、遮挡、分离、离开等各种情况的发生。最后,采用先检测后跟踪的思想,将二阶层特征提取算法、基于码本模型的运动目标检测和离散-连续优化的轨迹估计几种关键方法结合起来,提出了一套完整的多行人运动自动检测跟踪系统。