近几年,随着信息科技的快速发展,行人跟踪越来越受到国内外专家的重视,行人跟踪主要分为两大部分:行人检测和行人跟踪。行人跟踪通过对行人检测、识别等技术确定视频中行人的运动轨迹。行人跟踪有广阔的市场前景,在自动驾驶、智能交通以及军用无人机等方面有着极其重要的应用。深度学习的崛起,尤其是卷积神经网络被大规模应用在计算机视觉领域,使得结合了深度学习的行人跟踪算法的性能得到了进一步的提升,从而推动了行人跟踪的研究。本文针对基于卷积神经网络的行人检测算法无法协调检测精度和检测速度这一问题,提出了基于卷积神经网络的YOLO v3作为行人检测的模型。YOLO v3的检测效果在当前的目标检测算法中位居前列。YOLO v3算法把物体检测问题处理成回归问题,用卷积神经网络结构对输入的图像进行目标位置和类别概率的预测,与此同时还进一步提高了行人检测的速度。为使YOLO v3能进一步适应行人跟踪实时性的需求,本文还对YOLO v3进行了模型剪枝,在保持原有准确率不变的情况之下,提高了行人检测的速度。本文提出结合行人再识别算法的行人跟踪算法。行人跟踪的研究思路是深度特征结合卡尔曼滤波、匈牙利算法等,虽然使得算法有很高的效率,但是会产生频繁的ID切换,尤其是在视频的行人跟踪中常常会出现行人相互遮挡等场景,很容易导致行人跟踪算法跟踪了错误的对象。所以需要结合行人再识别对行人跟踪可能出现的错误进行了一些校正,通过对视频前后帧跟踪的行人目标提取特征,再通过行人再识别对提取到的特征进行余弦计算,得出匹配相似度,校对行人跟踪的错误轨迹。通过实验结果表明,结合行人再识别的行人跟踪算法相比于之前算法的跟踪效果有了明显的改善。