作为社会安全保障工作的重要部分,行人视频监控技术在近年来得到了迅速的发展,随着监控设备的成本下降和质量提升,越来越多的城市公共场所正在被大量的监控摄像头所覆盖,同时也使得传统人工观察监控屏幕对行人进行追踪和识别的方法捉襟见肘。因此,智能行人视频监控问题成为以计算机视觉为主的跨学科研究热点问题,其目标是通过计算机对监控视频进行分析,识别出其中行人出现的位置,并对相同身份的行人进行匹配和长距离跨场景跟踪,以降低行人监控工作所耗费的人力,并提高准确性。然而随着人口飞速增长,在城市公共场所经常会出现人流高峰,在监控摄像机的观察中就会造成行人被场景或其它行人遮挡的问题。这些难以被机器视觉自动处理的场景,为设计大范围的智能行人监控方案带来极大的挑战。本文针对智能行人监控问题展开研究。首先对该问题在学术界是如何被分为行人检测、行人跟踪和行人重识别等数个基本子问题,以及监控视频数据如何在各个部分间传递、提取和分析进行了介绍,同时对重点子问题在国内外比较有代表性的工作进行了展示。同时,对本文研究的重点领域——行人重识别问题在智能行人监控解决框架中所占的位置和解决该问题的意义给出详细分析。然后,本文针对行人重识别问题更进一步分析,通过对现有工作的调研综述,可以发现其研究重点主要在对行人图像提取更稳健的特征和对特征距离的度量方法进行学习两方面。本文在此基础上提出了一种基于深度学习卷积神经网络(CNN)的行人重识别方法,在参考现有图像分类网络基础上进行改造,实现对输入的行人图像进行特征提取和特征选择的训练,最终在CMC评价中取得超越传统特征方法的效果。接下来,本文对行人跟踪的学术研究过程中所用的数据集进行了分析。首先是对行人跟踪各个子问题所用的有代表性的数据集进行介绍,分析了现有数据集所提供的内容和标定的数据类型,以及使用数据集对子问题进行基准测试和评价的过程。然后,针对现有数据集的特点和不足,本文提出了一种大范围采集行人数据的系统,选择合适的数据采集、控制和辅助定位硬件设备,自行设计采集节点、软件系统和控制网络,然后介绍了数据采集的整个流程和所采集的内容、格式,以及采集到原始数据后针对算法研究需要进行的标定过程。