行人搜索算法广泛应用于大型公共场所的智能安防系统,可以分解为行人检测和行人重识别两个任务。在复杂多变的跨摄像头现实场景下,首先利用行人检测算法获得行人数据,之后通过行人重识别算法获取一个行人的感兴趣区域（ROI）,根据特征匹配方法判定目标行人是否在多个摄像头中出现,实现跨摄像头识别。本文主要围绕提高行人检测速度和行人重识别精度两个方向展开理论研究和大量的实验证明,并基于Sophon SC5+人工智能芯片,对改进后的算法进行量化,将高性能行人搜索系统部署应用于实际场景中。本文的主要工作如下:1.设计轻量化行人检测算法。本文提出使用Ghost Net网络替换YOLOv5中计算量较大的CBS模块和C3模块,大幅度降低模型参数量。之后针对参数量减少导致精度下降的情况,利用CBAM注意力机制来调节空间和通道维度上的特征。最后为满足现实系统需求,在专用的行人检测数据集上训练改进后的YOLOv5s-GS,使最后得到的模型更适用于密集行人检测。实验结果表明,本文改进的算法在精度基本不变的情况下,模型参数量减少,检测速度提高。2.设计了融合损失优化的行人重识别算法。为解决难样本挖掘三元组损失存在的未精确定位优化目标的问题,采用两个正样本对和一个负样本对进行改进,使网络学习到更全面的特征。此外,为了进一步提高训练网络的泛化能力,压缩类内特征距离,增加了中心损失约束。将改进后的中心约束三元组损失和附加间隔交叉熵损失共同组合对模型监督优化,结合了基于度量学习损失和基于表征学习损失的优点。最后结合BNNeck网络结构和Non-Local注意力机制,解决训练中融合损失函数难收敛的问题。3.结合文本改进的轻量级行人检测模型和融合损失行人重识别模型,基于Sophon SC5+人工智能芯片进行量化部署。同时为验证量化后模型的高性能,对比了2080Ti下算法推理效果。根据Sophon平台提供的图像处理和硬件加速接口,设计行人搜索核心接口,并进行编译。通过系统对算法的运行结果进行展示,实现从算法到硬件自上而下的方法来优化深度学习的效率。实验结果表明,基于Sophon的行人搜索系统成本低,速度快,可以完成在监控视频下对目标行人的快速检索。