随着时代的进步,视觉目标检测与跟踪技术在生产生活中发挥着越来越重要的作用。人车是现代社会最为重要的组成对象,实现人车目标的精确快速检测与跟踪对构建智慧城市和平安社会具有重要意义。本文基于人车检测与跟踪的应用背景,主要做了以下研究:针对一阶段人车检测模型精度较低的问题,本文在YOLOv3检测框架基础上提出了一种UYOLOv3人车检测模型。首先,针对YOLOv3边框损失函数与评价指标IOU差异大且不具备尺度不变性的问题,UYOLOv3提出了一种新型边框损失函数WIOULoss,WIOU-Loss是对IOU-Loss的一种改进,WIOU-Loss根据重叠区域相对位置的不同对重叠区域赋予不同的权重。其次,针对YOLOv3训练过程中目标前景与背景不均衡的问题,UYOLOv3引入了Focal Loss损失函数,Focal Loss通过调节样本权重的方式解决了训练过程中目标前景与背景不均衡的问题。最后针对YOLOv3对同类目标相互遮挡场景漏检问题,UYOLOv3引入了soft-nms后处理操作,sotf-nms处理非极大值时采取抑制其置信度的策略而非直接移除,这样一定程度上可以解决同类目标相互遮挡场景的漏检问题。针对人车检测模型在嵌入式和移动设备上部署面临的问题,本文提出了一种轻量化人车检测模型Mobile Net V3-YOLOv3。首先,Mobile Net V3-YOLOv3采用Mobile Net V3作为基础骨架网络取代了Darknet53,这样大大减少了模型的参数量和计算量。其次,应用知识蒸馏的手段,以UYOLOv3为教师模型Mobile Net V3-YOLOv3为学生模型通过构建特定损失函数的方式完成教师模型对学生模型的指导,进而提升学生模型的检测精度。最后,对知识蒸馏框架中不合理的部分进行了调整,进一步提升了轻量化人车检测模型Mobile Net V3-YOLOv3的检测精度。针对相关滤波算法跟踪过程中容易产生模型漂移的问题,本文在Staple目标跟踪算法的基础上提出了一种A-Staple人车跟踪模型。相对于传统相关滤波采用固定学习率更新模型的方法,A-Staple在提出了一种基于高置信度准则的动态学习率设定策略,这个策略可以保证目标遇到遮挡、相似物干扰等情况下降低模板更新的速度,进而一定程度上解决了跟踪过程中模型漂移的问题。