目标检测与跟踪是计算机视觉领域中重要的组成部分,目标跟踪的发展从生成式跟踪到判别式跟踪再到以深度学习为主经典算法为辅的跟踪共3个阶段,但是因为目标跟踪的复杂性,目前还没有一种有效的方法能应对所有的场景。人工智能的兴起使深度学习得到长足发展,其检测模型精度逐渐增加,为多目标跟踪的诸多挑战带来曙光,将深度学习应用在多目标跟踪上分为两个方向:其一是用深度网络完全学习目标跟踪,其二是深度网络学习特征再结合跟踪算法识别,本文研究第二个方向。此外,深度神经网络一般模型比较大,参数和算力要求较高,在实际应用中,多数设备都不具备这些运算资源,于是在不失精度的前提下对模型的压缩和优化技术也是工程应用中不可或缺的一部分。本文对目标跟踪的技术研究主要有以下几点:(1)针对核化相关滤波算法(KCF)的目标跟踪,在KCF基础上提出MACF算法。针对目标的尺度变换,基于深度学习中的锚机制,在高和宽上分别施加尺度缩放因子,通过尺度和面积最大化的相关性分析,挑选出尺度变换组合,降低尺度变化的影响;针对目标遮挡问题,提出一种极值差值法判断遮挡是否发生,再通过调整学习率降低模板的漂移;在求取二维矩阵局部极值集合问题中,针对原始求解法,对其进行简化提出一种快速计算方法;在特征描述符中添加颜色特征增加特征表达能力。(2)研究基于深度学习的YOLO检测框架与卡尔曼轨迹预测相结合的多目标跟踪技术。将图像每一帧送入检测模型中输出检测结果,卡尔曼跟踪模型对一个目标的前两个状态进行运动建模,在下一帧目标跟踪时,检测结果作为观测值,卡尔曼跟踪作为预测值,在轨迹预测点附近通过面积重叠比最大化找到最优匹配项,同时对卡尔曼滤波跟踪器进行更新。针对YOLO检测模型,在PASCAL数据集上对网络进行再训练,以测试该模型的检测性能。(3)研究YOLO检测模型的优化。运用轻量级结构优化的思想,将传统卷积分解为深度可分离卷积和逐点卷积,将其应用到YOLO模型上,针对两个优化模型进行对比分析,优化模型使原始模型复杂度大为缩减,并做实验进行分析,最终训练的模型权重尺寸从238MB缩小到22.5MB,模型的处理速度从19fps提升到30fps。