行人检测与追踪技术一直是计算机视觉领域热门的研究课题,该技术可应用在银行、商场、街道等公共场所。随着深度学习技术的不断进步以及目标检测算法的不断完善,基于深度学习的行人检测与追踪技术正在逐步的应用到智能驾驶、智慧交通等新兴领域。近年来,全国各地陆续开通了地铁,乘坐地铁出行不仅可以免去堵车的烦恼而且价格也非常的实惠。地铁已成为市民短程出行的首选,地铁站客流管理对于行人检测与追踪的需求非常的高。本文首先依据现有场景的实际需求,充分阐述传统的目标检测算法性能及效率上的不足,重点研究了各类基于深度学习的目标检测算法,优化了YOLOv3算法,优化后的算法不仅精度高,速度也大幅提升;然后,使用杭州地铁某车站某出口某时段录像制作行人检测的数据集训练了YOLOv3模型;最后用YOLOv3模型实现了地铁站的行人检测,贴合地铁站实时检测场景。根据实时检测场景,本文还研究了卡尔曼滤波等理论在行人追踪上应用的可能性,并选择使用基于卡尔曼滤波理论的Deep SORT算法,作为本文重点研究的多目标行人追踪的算法,该算法利用卡尔曼滤波理论精准预测了行人下一步位置,并结合匈牙利指派算法进行检测和预测行人结果的最优匹配,能够达到行人追踪的目的。本文YOLOv3模型和Deep SORT算法并结合向量内积法实现了实时的进出站客流统计。