伴随小型化监控设备的不断普及以及嵌入式设备算力的不断发展与进步,城市视频监控系统的应用潜力十分强大且有待发掘,本课题基于硬件平台进行快速行人多目标跟踪以及跨域行人重识别算法的研究。利用行人图像的深层语义信息、浅层外观信息以及基于视频序列的运动信息来设计完成多目标跟踪系统,其次利用基于自动学习损失函数的多任务联合学习方案对行人重识别算法进行三方面的改进,最后将改进后的模型移植到Jetson NX开发板上,并在平台之间通过监控网络完成目标图像的传输,最终完成硬件平台跟踪系统的实现。首先,针对现有算法存在计算量大、模型复杂、推理速度缓慢的问题,提出了基于Ghost模块改进的多目标特征提取方法,利用Ghost模块对主干网络进行了轻量化的再设计和构建,提升检测系统的整体速度,改进后算法的目标检测准确度达92.6%,多目标跟踪精确度达78.2%,并利用深度可分离卷积块改进特征金字塔结构,加深网络深度,改进后的模型大小从532 MB降低到51 MB;对比原算法,改进后模型的处理帧率提升至原始模型的4倍,而其大小仅为原始模型的1/10,可见改进后的检测模型更加适合于移植到嵌入式设备中进行部署计算。其次,针对现有重识别算法存在特征计算冗余,特征空间存在重合的问题,提出了基于自动学习损失函数的多任务联合学习方法对行人重识别算法进行三方面的改进,令其与上述行人检测算法共用低维图像特征,从而提升系统的运行速度,改进后算法的平均处理帧率在测试集上可达53 FPS,是传统检测跟踪方法的4倍以上,对比改进之前的重识别算法,IDF1仅下降0.008,IDR下降0.017,IDP提升0.007;此外,还提出了一种基于多级匹配的目标寻找策略,用于特定目标的跨域跟踪,通过将不同门限组合对目标进行分级匹配,对特定目标进行跨域跟踪,提升匹配跟踪算法的鲁棒性。最后,基于上述算法,搭建了基于Jetson NX平台的多目标跟踪与跨域行人重识别系统,将整体算法模型进行硬件实现。当有某一终端对感兴趣目标发起跟踪任务时,该终端将通过监控网络传输跟踪模型至其他终端,其他终端接收到跟踪模型后,进行跨域的目标跟踪,数据传输部分优先使用有线网络进行传输,在有线网络未普及地区以及应急临时架设的场景下,利用Ad Hoc网络进行补充。改进后算法在拍摄数据上达到93%的准确率,可见改进后的算法更具有实际应用价值。