进入了大数据时代之后,各行各业的需要处理的数据越来越多,视频数据尤甚。在视频算法出现之前,一直都是靠人工对视频数据进行处理。显然,人工对视频数据进行处理与分析需要耗费大量的人力,且效率低下。本文研究的内容为基于行人监控视频中的多目标跟踪算法,本文对多目标跟踪算法框架中的检测模块,行人特征提取模块进行优化,并选择了最优的丢失轨迹存活时间。最后,实现了一个监控视频的检测与跟踪可视化系统。本文主要工作如下:(1)为了优化目标检测模块,得到速度快,且精度达到要求的检测算法,本文基于Center Net检测算法原有的基础骨干Hourglass-104,提出了轻量级的基础骨干Hourglasslite,在不损失精度的情况下,提升了算法的运行效率。具体地,优化了Hourglass-104卷积层的模块,修改其中的卷积核尺寸,减少卷积层中特征图的维度,将原本厚重的结构优化为轻量级的结构。在MS COCO数据集上对改进算法进行测试,综合性能领先于经典算法。(2)为了优化跟踪算法中的特征提取模块,在充分调研后,本文选取了行人重识别领域较为突出的PCB-RPP网络进行研究。研究了其特征提取机制,包括特征硬划分(平均划分),软划分机制和所提取特征的分块数,并基于MOT16数据集创建了MOT16-Re ID700行人重识别数据集。在MOT16-Re ID700和Market-1501数据集针对不同分块数,对PCB-RPP网络进行实验。通过实验,确定PCB-RPP网络在针对行人进行特征提取时,分块的数量为6。(3)针对Deep Sort多目标跟踪算法综合性能指标MOTA(Multiple Object Tracking Accuracy,多目标跟踪准确度)不够高和ID switch较大的情况,本文提出了使用PCB-RPP网络提取的行人分块特征来代替原本深度特征,并且采用了本文改进的检测算法来为Deep Sort提供检测结果。延长了轨迹存活时间,当目标被短期遮挡后再次出现时,避免了ID switch的情况。(4)结合多目标跟踪算法与计算机前端和后端技术,实现了对监控视频的实时检测与跟踪的可视化展示,能够在浏览器上进行查看。