随着视频监控系统在人们日常生活各场景的全面性部署,通过计算机视觉技术分析视频监控数据的智能监控系统越来越广泛地应用于交通违章、人员聚集区域防控等方面,为基层安全监管执法提质增效,节约人力成本。目标跟踪是智能视频监控系统的一个重要环节,它将连续的视频帧中同一目标对象关联起来,获取目标在监控视频中的运动轨迹,为目标运动的分析提供基础依据。视频监控数据为实时视频流,对目标跟踪算法处理速率有较高要求,通过对目标方位进行预测提高运行速率和精度的方法被广泛应用在目标跟踪领域。在此背景下,本论文面向公共场所监控视频,根据视频图像中行人的运动特征通过行人运动模型与状态估计对行人运动状态进行预测,然后结合在线目标跟踪方法获取行人的运动轨迹。主要的研究内容如下:1、针对监控视频掉帧、帧率较低等问题,通过对视频插帧相关算法的研究,选择可在任意时间步长中插帧的Super Slo Mo算法对视频进行插帧,增加原始视频帧率,提高视频质量和播放流畅度。2、针对行人跟踪过程中应实时检测行人目标的要求,通过对目标检测算法的研究,选择采用YOLOv3目标检测算法;针对卡尔曼滤波对行人运动规律识别的不足,通过对行人运动模型的研究,选择更适用于公共场所行人的社会力模型;通过对目标跟踪算法的研究,选择更适用于实时视频监控的在线跟踪算法Deep Sort算法。3、对Deep Sort算法在行人之间交互避让以及障碍物阻碍场景下跟踪精度降低、鲁棒性不足的原因进行分析,发现是因为Deep Sort算法在目标状态预测阶段采用的卡尔曼滤波预测算法本身的局限性导致其缺乏对行人运动规律的理解,在行人运动非线性场景下估计准确度降低、误差变大。针对这个问题,提出一种拓展了非线性场景的预测方法,在判断为非线性场景情况下,通过社会力模型预测结果对卡尔曼滤波预测结果进行修正,将该预测方法集成到原Deep Sort算法提出改进算法Deep Sort-KF。通过研究和实验发现Deep Sort-KF算法比原算法在跟踪效果上有更好的表现。4、社会力模型用于行人运动仿真,是一种根据行人运动规律建立的行人运动学模型。通过对社会力模型的研究,将其应用到行人跟踪领域,提高跟踪过程中对行人方位预测的准确性。基于对相关算法的研究,本论文通过开源数据集完成对模型的建立和实现,运用视频插帧、目标检测、目标跟踪等算法模型完成行人智能跟踪功能。