行人跟踪是机器视觉领域研究热点之一,通过对行人进行定位并获取其运动轨迹,实现对行人目标持续跟踪。受快速运动、遮挡等因素干扰,行人跟踪算法在实际应用中存在准确度低、鲁棒性差等问题。因此,研究基于视频的行人跟踪方法具有非常重要的应用价值。本文围绕基于视频的行人跟踪方法,在行人检测、单目标行人跟踪、多目标行人跟踪等方面展开研究,具体工作如下:在行人检测方面,探讨了YOLO系列检测方法,根据真实场景中实时性、准确性的要求,实现了基于YOLOv3的行人检测方法,并使用Caltech数据集进行测试。实验结果表明,基于YOLOv3的行人检测方法在实时性和准确性上达到了平衡,为接下来研究行人跟踪奠定基础。在单目标行人跟踪方面,针对基于孪生区域建议网络的目标跟踪方法在外界干扰因素影响下鲁棒性不高、泛化能力差的问题,提出了一种用于单目标行人跟踪的验证学习方法。首先,通过孪生区域建议网络提取特征并生成多个候选框,根据候选框分数排序选出最佳目标位置并进行临时存储;然后,根据验证学习跟踪结果确定是否触发校正机制;最后,将校正后的结果再次反馈给跟踪器,并更新目标的位置和大小,完成目标的连续跟踪。在VOT2018数据集上的对比实验表明,该方法预期平均重叠分数达到了0.331,校正机制和反馈机制在一定程度上保证了跟踪器的泛化性和鲁棒性。在多目标行人跟踪方面,针对视频中行人频繁交互、遮挡等问题,提出了结合表观特征的多目标行人跟踪方法。首先,设计了一个融合SE模块的残差网络,利用行人重识别数据集对其进行训练,采用四种不同的损失函数优化模型;然后,通过YOLOv3检测器检测行人,将检测结果送入训练好的网络,提取行人表观特征,并结合卡尔曼滤波器预测运动估计,更新行人目标状态;最后,根据检测和跟踪结果构建关联代价矩阵,采用匈牙利算法进行匹配,实现多目标行人跟踪。在MOT16数据集上进行实验表明,该方法的MOTA达到53.7%,MOTP达到79.2%。在软件实现方面,采用PyQt5界面设计语言和Pycharm开发平台,使用pytorch、tensorflow等作为深度学习框架,编程实现了基于视频的行人跟踪软件,并利用真实场景下采集的数据进行验证测试。软件具有基于图像的行人检测、基于视频的行人检测、单目标行人跟踪、多目标行人跟踪等功能。