随着计算机视觉技术的发展,行人目标检测与跟踪技术在实际生活中有着越来越多的应用,利用计算机视觉技术获取图像中的有用信息,可以更好的服务于社会。为此本文以YOLO v3和YOLO v4算法为基础,针对行人目标的特点,以降低系统计算资源、提升行人检测性能、改善行人跟踪效果等为目标,深入研究了行人目标实时检测与跟踪技术。在行人检测方面,从COCO2017数据集中提取出行人集部分,通过K-means++算法聚类出适用于行人检测的先验框,对比测试了YOLO v3和YOLO v4算法在COCO2017行人数据集性能表现,并且针对检测速度和精度两个方面做出改进,提出YOLO-P行人检测网络。在检测速度方面主要有三项改进。第一,使用深度分离卷积替换原始YOLO v3算法中的普通卷积来降低卷积计算量和模型参数量;第二,结合CSPNet网络结构的思想设计出行人特征提取网络CSPDSDarknet来强化模型学习能力;第三,在CSPDSDarknet的基础上,针对行人单一检测目标进一步优化网络结构,在小幅度降低检测精度的前提下提出快速的行人特征提取网络CSPDSDarknet13。在检测精度方面主要也有三项改进。第一,融合主干网络特征与PAN结构网络输出特征来增强模型检测鲁棒性;第二,结合Mosaic算法和随机擦除算法,设计了一种随机擦除Mosaic算法来改善行人遮挡检测问题以及增强模型学习能力;第三,通过对比使用GIo U、DIo U、CIo U作为损失函数中的坐标损失对检测精度的影响设计出合适的损失函数。综合检测速度和精度,本文最终设计了一套轻量、快速、准确的YOLO-P行人检测网络。通过实验验证,YOLO-P算法在COCO2017行人数据集上相比较YOLO v4算法,检测速度提升约1.18倍,检测精度提升了5%。在行人跟踪方面,设计了一种融合改进行人特征描述向量的SORT跟踪算法。首先使用SORT跟踪算法对行人目标进行建模,并且通过理论分析和实验发现SORT跟踪算法在行人遮挡时存在频繁切换跟踪ID的现象;然后针对SORT跟踪算法存在的问题,本文引入了一种行人外观特征描述向量提取网络,并将网络中的Dropout操作替换为Drop Block算法来模拟行人遮挡效果以及强化模型学习能力;最后融合行人特征描述向量余弦距离与马氏距离替换默认的Io U度量作为衡量行人相似性标准,设计出了一种融合改进行人特征描述向量的SORT目标跟踪算法。通过实验对比验证,改进后的算法仍然可以在实时处理的情况下,将平均跟踪成功率提升了30.77%。