伴随着数字化时代的来临,各种硬件设备不断普及,社会上各大重要场合都安装了监控摄像头,这些监控摄像头组成了一个庞大而严密的监控网络,对企业、公司、社区的安防起到重要作用。目前人脸识别还是社区安防采用的主要技术。在监控场景中,由于光照,角度等问题,不是所有的情况都能拍摄到清晰的人脸,利用人脸识别来查询行人轨迹会导致行人轨迹不完整的情况。近些年比较火热的行人重识别技术是利用行人的图像来识别人物,该技术特别依赖于行人的外形,衣服等特征。因此本论文提出利用人脸识别和行人重识别两种技术,相互补充,共同完成行人的轨迹追踪。本论文的研究内容和相关工作主要包括以下几个方面:（1）在实际监控场景中,整个监控网络产生的数据量较大。模型处理分析数据的速度与数据产生的速度不匹配会导致数据积压。本论文采用提取视频关键帧的技术来减小模型分析计算的数据量,解决速度不匹配的问题。（2）大量的视频关键帧如何进行存储和使用是研究工作的重要部分。FastDFS分布式文件系统适合海量中小文件的存储,本课题采用FastDFS搭建分布式图片服务器存储关键帧,利用关键帧在图片服务器上的存储路径来达到使用的目的。（3）行人检测是行人重识别的基础,目前行人检测主要采用的是YOLOv3算法,但该算法检测出的行人有光照过强、不完整、模糊等问题。本课题标注了一个行人数据集,该数据集涵盖了质量符合要求的正样本数据和质量过低的负样本数据。利用该数据集训练行人图像质量评估模型,过滤掉光照过强、不完整、模糊的行人图像。（4）设计实现了轨迹追踪系统,利用人脸识别和行人重识别两项技术共同识别行人,进而确定轨迹路线。同时人脸识别技术对于行人重识别的对比模板进行动态的更新,解决实际场景中行人换装引发的识别错误的问题。本文设计的轨迹追踪系统已经通过测试,投入使用。