多目标跟踪技术作为计算机视觉中的一个重要研究方向,已被广泛应用于自动驾驶、智能监控、国防军事及人机交互等多个领域。基于检测的多目标跟踪策略由于在跟踪性能上的优势,成为近年来的研究热点,并获得显著成果。但仍存在以下问题:旧目标消失和新目标的出现、频繁的目标遮挡、目标运动所导致形状或尺度发生变化及跟踪过程中的不可靠检测等,对多目标跟踪算法的准确性和鲁棒性带来巨大的挑战。本文基于检测的多目标跟踪策略,对当前目标检测及目标跟踪算法的不足进行研究与分析,主要的研究工作如下:1.考虑到YOLOv4目标检测算法存在小目标漏检率较高以及抗遮挡能力较差的问题,本文从三个方面进行改进:针对K-means聚类算法对初始聚类点依赖较大的问题,采用K-means++算法对数据集聚类重构Anchor Box,提高定位精度与目标检测准确率。针对小目标漏检率较高的问题,对YOLOv4特征融合结构进行修改,在原有基础上新增一个检测尺度,用于提取浅层信息。针对检测中的遮挡问题,引入CIOU-NMS算法,过滤冗余候选框时采用CIOU评判标准,提高模型的抗遮挡能力。实验证明,改进后的YOLOv4目标检测算法在不影响检测速度的情况下,降低了小目标漏检及误检率,在提升检测精度的同时具有良好的抗遮挡能力。2.考虑到DeepSORT多目标跟踪算法存在跟踪性能较差,身份切换次数较高的问题,本文提出了一种基于YOLOv4的Deep SORT多目标跟踪算法。针对宽残差网络提取外观特征的局限性,本文采用一种人体区域对齐的网络提取行人特征,提高追踪器的识别能力。针对多目标跟踪场景中因目标检测漏检、误检带来的跟踪失败问题,引入轨迹评分机制,产生一个统一检测框和预测框的标准置信度,降低身份切换次数。针对跟踪过程中的严重遮挡问题,动态设置运动特征和外观特征的权值,提高算法的抗遮挡能力。实验结果表明,本文算法在MOT16数据集上有较好的跟踪性能,同时在应对目标发生姿态变化、尺度变化及遮挡情况下也能保持目标的稳定跟踪。