在图像处理与模式识别领域,多目标跟踪技术由于其应用前景广泛、社会需求量大,相关研究人员越来越把它当作关注的热点话题。本文主要对多目标跟踪领域的两个常见难题,目标检测与多目标数据关联进行了深入的研究。针对光照变化、目标长时间遮挡和身份切换等难题,给出了较好的解决方案。本文提出了一种基于梯度自相似特征与共生特征改善行人检测的方法。首先,提取每一帧图像的HOG特征与LBP特征;根据HOG特征计算出图像局部梯度块之间的成对梯度自相似性GSS特征,同时根据LBP特征得到共生Co LBP特征。其次,采用FGM方法移除信息无关的GSS特征,进一步得到判别DGSS特征。最后,本文以两级级联分类器的形式检测出每一帧图像中的行人。基于HOG-CoLBP特征的第一级线性SVM分类器主要用来排除大部分的负样本;对于第二级分类器,鉴于HOG特征是生成GSS特征的前提,因此重新利用计算好的HOG特征生成对应的GSS特征,然后采用基于HOG-GSS特征训练的Real-AdaBoost分类器检测出每一帧图像中的行人。通过实验发现,本文所提算法在背景和光照变化比较剧烈的情况下能够取得鲁棒性的效果。本文重点介绍了一种基于数据关联与轨迹评估的多目标跟踪算法。首先,将数据关联与轨迹评估整合到同一个CRF模型中,转化为求取各自的最小能量问题。其次,从时间上,如果同一个物理空间中出现两个相同的轨迹标号,则采用共生标号成本进行相关约束;从空间上,在不同的观测目标之间引入二元能量项,防止发生数据误标号。最后,在能量的优化环节,本文采用改进的ɑ膨胀算法和梯度下降法求解非凸与非子模函数的最小能量。通过PETS2009/2010 benchmark和TUD-Stadtmitte数据集的实验结果对比,本文所提算法优于当前先进水平的多目标跟踪技术。