目前,在智能交通系统中,计算机视觉技术得到广泛应用,视频检测和跟踪技术是其中的重点。视频检测技术是指在视频图像中发现并定位目标,视频跟踪技术是对检测到的目标进行连续跟踪,它以视频检测技术为基础。我国城市交通具有车辆和行人混合的特点,本文针对行人展开视频检测和跟踪研究。本文提出一种检测和定位行人头部的方法,在此基础上定位出图像中的行人。该方法利用行人头部特征,通过混合颜色模型、Canny边缘检测和Hough变换,确定行人头部的位置和大小,进而确定行人的位置和大小。本文利用Mean Shift算法进行目标跟踪研究。Mean Shift算法是一种基于梯度的无参数概率密度估计方法,采用核函数直方图的形式建模。在视频序列的第一帧中由用户手动选择跟踪目标,并利用直方图对目标进行建模,在后续帧中,用Bhattacharyya系数进行相似性度量,迭代地搜索与目标最为相似的区域。在众多跟踪算法中,Mean Shift算法理论严谨、跟踪性能好、简单易实现,适应于行人跟踪。但Mean Shift算法也存在一些问题,如不能自动选择跟踪目标,搜索窗宽度不能根据目标大小的变化进行自适应调整,在目标运动速度快时容易丢失目标等。针对Mean Shift算法不能自动选择跟踪目标的问题,本文提出基于行人头部检测的改进算法：在第一帧检测并定位行人头部,在此基础上进行位置转换,确定搜索窗口的中心点和长度、宽度,从而实现跟踪区域的自动选择。本文提出Bhattacharyya系数判断方法,通过分析目标区域和背景相似程度的变化,判断目标可能出现的速度过快等情况,从而有针对性地进行处理。针对目标速度过快的情况,本文引入Kalman滤波对Mean Shift算法进行改进。在目标运动正常时,Kalman滤波进行辅助跟踪。当判断目标出现速度过快的情况时,利用Kalman滤波预测目标在下一帧的位置,以预测位置为起点进行Mean Shift搜索,用Mean Shift的跟踪结果作为观测值修正Kalman滤波,从而得到目标的准确位置,然后在下一帧进行运算。实验证明,该方法能够有效提高对于速度较快目标的跟踪效果。