近两年,5G时代的到来给人工智能行业带来了前所未有的机遇与挑战。行人再识别与目标跟踪作为计算机视觉中两个重要的组成部分,其在智能安防中起到了不可或缺的地位与作用,近年来同样得到了广泛的研究并取得了可观的研究成果。不幸的是目前的研究中,行人再识别方面,在光线较暗的情况下,识别效果会受到很大干扰。目标跟踪方面,大多数追踪方法的目标定位模块并不理想且目标运动速度过快时,极易发生追踪失败。为了解决这些问题,本文分别提出了一种用于行人再识别跨模态问题的交叉模态多粒度特征融合网络,以及用于目标跟踪的细粒度动态规划单目标跟踪方法。论文的主要贡献及工作内容总结如下:1.本文在RGB-IR Re-ID这一领域进行了跨模态条件下的行人再识别研究。为了解决跨模态后由于图片模态不同导致的识别效果陡然下降的问题,本文提出了一个交叉模态多粒度特征融合网络,通过注意力机制辅助细粒度特征提取并将其与粗细粒度特征融合,促使网络学习不同模态之间行人身上的具有判别性的共享特征,有效的提高了识别效果。2.在目标跟踪领域,为了更准确地得到目标候选框并解决目标快速移动时跳出候选框的问题,本文提出了一种基于细粒度网络的动态规划追踪方法。该方法使用残差注意力机制提高目标位置估算精度并通过Io U值动态改变搜索框大小。此方法能够解决目标跳出候选框搜索区域之外的问题且提高了识别精度。