近年来,视频监控系统作为安防领域中的重要技术之一,具有广阔的发展前景,进而得到了广泛的研究与应用。基于视频的行人跟踪技术研究在军用监控领域、智能驾驶领域以及人机交互等领域发挥着至关重要的作用,是计算机视觉领域的一个热点研究方向,吸引了各位专家学者的广泛关注并潜心对其进行深入研究。然而,由于行人运动的多变性、环境中光照条件的差异性以及遮挡等其他因素的影响,该研究仍面临着许多难点,因此复杂场景下的行人跟踪技术仍然需要进一步的研究。本文针对复杂场景下的行人跟踪技术的具体研究内容如下:(1)自建了图像数据集。使用标记精灵助手对图像中的行人进行标记,该数据集包含25000张图像,其中20000张图像用于训练,5000张图像用于测试,训练和测试的样本无重叠。此外,挑选人流较多、遮挡较多、环境复杂的区域录制监控视频,建立了共50个相同时长的视频数据集,用于各跟踪算法的对比实验。(2)搭建用于检测图像中行人的Faster R-CNN网络模型,并采用Image Net数据集和自建数据集训练该网络模型,训练完成后用自建数据集的5000张图像进行测试,测试结果显示检测成功率接近于91%。利用Faster R-CNN检测出视频中的每一帧行人之后,设计一种将颜色直方图特征和SIFT特征融合的跟踪算法,通过实验验证融合后算法的可行性并给出实验结果及分析。(3)在基于颜色直方图和SIFT两种特征融合的行人跟踪算法基础上加入卡尔曼粒子滤波器作为重跟踪模块。重跟踪模块不必对每一帧图像都进行跟踪,当基于两种特征融合的跟踪算法在某一帧丢失目标时才运行重跟踪模块并进行目标更新,另外本文设置每10N(N为整数)帧更新一次重跟踪模块的目标模型,这样的跟踪效果不仅更加准确而且还可以达到实时性,更适合应用于复杂场景下的行人跟踪。综上,本文所提出的复杂场景下的行人跟踪算法是可行的,并且在视频监控领域具有现实意义。