近年来,随着科技的飞跃式进步,以及人民的生活水平的不断提高,人们对公众安全防范的需求也在不断地增长。我国在“智慧城市”、“平安城市”等主题提出后,视频监控设备陆续遍布公共场合的各个角落,视频监控系统已经成为社会公共区域安全监测平台的核心部分。基于计算机视觉的目标检测、跟踪、识别是智能监控系统的关键技术,也是当下国内外学术和工程的研究热点。行人检测与跟踪技术是智能监控领域中关键问题之一,它对视野中的行人进行检测和跟踪,获取行为轨迹信息,是对监测目标的行为进行自动分析和理解的前提。在实际应用场景中,目前的跟踪技术还存在诸多挑战,如光照强度的变化、目标移动过快、形变严重、出现遮挡等因素都容易导致目标丢失。跟踪目标轨迹的准确完整记录,对跟踪系统的鲁棒性和实时性提出了较高的要求。本文针对特定行人目标的长时跟踪问题,提出了一个基于目标跟踪丢失后的重检测和再识别的机制,实现一个对高鲁棒实时的行人长时跟踪方法。本文的主要工作内容包括以下几个方面:(1)研究了基于计算机视觉的行人跟踪方法,为了能够同时保证跟踪准确度与实时性,利用了一个端到端的离线深度学习模型用于在线跟踪的方案并对其进行了算法改进。经实验测试,本文改进的跟踪算法在准确性与实时性两方面同时展示出了较好的跟踪能力。(2)研究了基于计算机视觉的行人目标检测与重识别的方法,在faster-RCNN的框架基础上设计了一个轻量级的端到端的卷积神经网络对目标进行全视野区域的搜索,实现快速的特定行人目标的检测与重识别。本文对行人目标的检测和重识别不是分开两个独立的任务,而是统一在一个端到端的网络中共同处理。实验结果表明,该网络模型具有比较高的准确性和鲁棒性。(3)研究了对行人目标进行长时跟踪的方法,通过设计短时目标跟踪算法结合跟踪目标丢失后的行人重检测和重识别的算法,提出一个对目标进行高鲁棒性的长时间跟踪的方法。该方法能很好的解决行人目标在跟踪过程中由于形变、运动过快、遮挡严重和走出视野等复杂场景导致的跟踪丢失问题,对跟踪目标丢失后,启动行人重检测器重新检测目标并初始化跟踪器,对行人目标进行持续性的跟踪并记录行为轨迹。实验的结果表明,本文的长时跟踪方法能在一定程度上较完整的记录行人目标在监控视野内的行为轨迹。