为了实现对十字靶标的自动检测与跟踪, 建立了十字靶标检测跟踪模型。针对目标检测中运算量大、实时性差、目标跟踪需要人工标定视频初始帧的问题, 提出了一种基于可变形部件模型（DPM）和核相关滤波器（KCF）的十字靶标检测跟踪算法。首先, 提取十字样本集的梯度方向直方图（HOG）特征, 采用Latent SVM分类器训练特征集, 生成十字靶标物体类的DPM模型。然后, 通过滑动窗口搜索匹配方法遍历待检测图片。最后, 将检测到的结果作为跟踪算法的起始跟踪帧, 应用KCF算法快速跟踪目标。当跟踪目标丢失时, 暂时停止跟踪, 利用DPM模型重新检测定位目标再进行跟踪。实验结果表明: 采用DPM模型检测的平均帧率为1 fps, 结合DPM和KCF算法, 实时检测跟踪的平均帧率为40 fps。采用基于可变形部件模型（DPM）和核相关滤波器（KCF）的十字靶标检测跟踪算法, 实现了目标的自动检测与实时跟踪, 且检测速度明显高于传统算法, 并且在目标漂移或丢失后自动重新定位并继续跟踪, 完成十字靶标的长时间跟踪。

使用单幅图像进行特定目标的检测是机器视觉领域的重要任务之一。利用机器学习的方法, 使用LSVM分类器进行人形目标的检测。该方法提取图像的HOG(梯度方向直方图)特征和其对应的可变形部件来描述目标的外形特征, 能够较好地解决目标由于运动而产生外形变化的问题。对常见公共区域场景进行数据采集并随机抽取了200张图像, 使用所述方法对其中共1 100个人形目标进行检测, 正确率识别率为78.3%。结果表明该方法具有一定的可行性和稳定性, 能够较好检测出单幅图像中的人形目标并加以标注。但对于某种程度有所遮蔽的人形目标则会产生漏检的现象。