随着计算机视觉的发展和智能监控系统的普及,三维场景重建、视觉目标检测和跟踪技术在各个领域的应用日益广泛。但在一些复杂场景运用中仍存在摄像机拍摄视角范围较小、图像边缘畸变,跟踪过程中目标受到遮挡、光线变化和复杂背景影响等困难和问题。基于此,本文以智慧工厂、仓储物流等作为应用场景,对立体匹配技术和目标跟踪算法进行改进,提高复杂场景下系统的可靠性和稳定性。文章关键内容和主要创新点如下:(1)研究了多摄像头全局图像拼接技术,提出拼接系统整体流程和结构模型。对全局图像拼接中图像配准和图像融合等关键性步骤的算法,包括Harris角点、SIFT、SURF特征提取算法,平均值融合、动态加权融合方法展开了对比分析;基于单应矩阵变换的重叠区域计算方法,确定了本文多图像拼接模型,并针对图像配准速率和准确率较差的问题,提出了基于重叠子区域的匹配方法改进。通过实验模拟了物流工厂的环境,建立全局视觉系统,降低后续研究中目标检测与跟踪的系统复杂度。(2)针对双目视觉立体匹配算法在物流仓储、工厂等场景下,纹理缺乏、边缘深度不连续、匹配精度低的问题。提出基于SLIC超像素分割的孪生卷积网络的改进方法,把经过均值滤波预处理和超像素分割形成的像素块,作为Siamese孪生卷积网络的输入,进行图像局部信息代价计算和匹配;同时引入了非对称设计和深度可分离思想,对孪生网络卷积核结构进行优化,然后采用动态窗口十字交叉聚合方法,优化匹配代价。实验结果表明匹配效果显著改善,平均视差误差和平均错误率都有降低,有效提升了视差计算时边缘区域匹配准确度。(3)针对传统均值漂移等跟踪算法无法对目标状态实时更新,容易导致目标误匹配或者跟踪丢失的问题,提出了融合深度学习目标提取方法的均值漂移跟踪改进算法。使用YOLO目标检测结果初始化跟踪区域,迭代计算当前目标模型与下一帧候选模板之间的巴氏距离,判断是否需要更新目标模型,然后根据目标检测结果,寻找与之最佳匹配的窗口,有效提升跟踪算法的性能;结合全局视觉系统,实现多角度、多摄像头图像融合,进一步提高目标跟踪的成功率。实验结果表明本文方法可以很好的应对背景干扰,局部遮挡、光照变化、以及目标大小发生显著变化等复杂多变的场景,具有较好的鲁棒性。