行人跟踪在现代计算机视觉领域中,一直是众多学者所关注的热点问题,随着近几年各项技术壁垒的突破,行人跟踪己经在生活中得到了广泛的应用。近几年,基于检测器和跟踪器的行人跟踪方法已经成为当前热门的研究方向之一。针对当前行人跟踪在进行多目标跟踪时因算法误判导致身份标识切换(IDswitch)的问题,本文提出了基于YOLOv5检测模块和卡尔曼滤波跟踪模块相结合的行人跟踪算法。首先,选用卡尔曼滤波算法作为跟踪模块,是因为该算法是基于预测来进行跟踪,运算快速,保证了跟踪的稳定性。而针对卡尔曼滤波算法在非线性系统下跟踪误差较大的缺点,本文提出了一种利用BP神经网络优化卡尔曼滤波算法的方式,接着通过与其他滤波算法的仿真实验对比,证明了本文的优化方法能有效的提升卡尔曼滤波算法的性能。其次,选用YOLOv5作为检测模块,是因为YOLOv5极快的推理能力,能大大减少检测行人所需的时间。为了进一步提升YOLOv5网络模型检测的精确度,在合理调整训练参数的同时,本文在原有数据集的基础上额外加入带有行人遮挡以及带有小目标行人的负样本,通过对比推理结果可得,对数据集进行针对性的拓展能改善YOLOv5网络模型的训练结果。最后,搭建整体算法框架,在对多目标行人进行跟踪时,通过判断检测框是否有预测框与之匹配来决定是否赋予行人新的ID或者继承之前的ID。最终通过在MOTChallenge数据集上与其他跟踪算法进行实验对比,可验证本文的行人跟踪算法确实达到了预期的效果,能有效减少多目标行人跟踪时ID的误判。