目标检测跟踪技术在计算机视觉领域的地位尤为重要,随着社会生产生活的需要和科学技术的发展,基于移动平台的视频行人检测跟踪技术的研究同样需要被提上日程。它可应用于有交通视频监控、运动员比赛的分析、人机交互、跟踪系统的设计等。因此,本文围绕移动机器人在指定范围内巡检录制的视频展开对视频监控中的行人进行快速、有效的检测和跟踪而展开研究。本文主要工作及研究成果包含了以下几个方面:(1)基于ROS搭建移动机器人平台。通过对ROS系统的学习,为EAI Dashgo移动平台搭建所需的平台,配置相应的环境。通过激光雷达和超声波探测器的结合完成SLAM建图,结合全局路径规划算法和teb局部路径规划算法完成短距离内的单点多次和多点多次导航,最终在指定范围内实现巡检。同时视觉传感器录制并保存视频,以备后用。(2)获取图像并且制作行人检测数据集。根据本文的研究需求,收集了共16420张未经变换的行人检测数据集2019。(3)选取适合本文行人检测的网络模型。从理论和实验两个方面进行分析和对比,选择了 YOLOv3算法模型作为行人检测的网络模型,这个算法使得检测的准确度、模型的参数以及运算的时间这三个方面得到了比较可观的平衡。同时对比分析了模型参数对检测结果的影响,并使用本文制作的行人检测数据集2019进行了相关实验与分析,通过测试,检测精度提高了约5.0%,由此可见,专一的行人检测YOLOv3网络模型在行人检测中的高效性。(4)选取合适的行人跟踪网络模型。介绍了主流的目标跟踪技术,通过对比选择了Deep_Sort作为本文的行人跟踪技术,并在MOT数据集上做了测试和对比实验。实验结果是可以很好的说明Deep_Sort在目标跟踪中的性价比较高。(5)基于YOLOv3结合Deep_Sort的行人检测跟踪系统。基于YOLOv3结合Deep_Sort的行人检测跟踪模型在网络公开的数据集MOT中做了测试,证明两种算法结合应用在视频中检测跟踪行人的可行性。综上所述,本文中移动机器人基于Gmapping建图方法对未知的环境进行建图,基于A*和Dijistra算法在已知环境中完成安全巡检。巡检过程中采集录制并保存视频,修改之后的专一行人检测网络对视频中的行人目标进行检测,Deep_Sort目标跟踪算法对检测到的目标建立追踪,且效果较好。