随着经济和科技的高速发展,我国监控设备逐渐遍布公共场所的各个角落,组成了复杂的监控网络。目标追踪技术被广泛应用于日常视频监控中,而现有的追踪技术大都是在单个摄像头视域内的跟踪,只能实现在有限区域内行人的短时间跟踪。为了解决单摄像头跟踪的局限性,本文提出了一种基于行走特征的跨摄像头行人跟踪算法。针对行人检测识别率低的问题,提出了HOG-SILTP特征行人检测方法,该方法提取图像HOG特征和SILTP特征并进行降维融合,使用SVM分类器对行人进行分类检测。在INRIA数据集上进行测试,结果表明,相比于HOG检测算法和HOG-LBP检测算法,本文算法的行人识别率分别提高了10.5%和8.22%。针对单摄像头行人跟踪中核相关滤波器(KCF)跟踪算法在跟踪时不能自适应跟踪框与目标尺寸变化的问题,加入了尺度滤波器,并引入跟踪异常判断机制,使用PSR和APCE两个指标判断跟踪情况,解决了KCF算法在跟踪时不能及时判断跟踪异常导致跟踪失败的问题。在OTB-100数据集上进行测试,结果表明,改进的KCF跟踪算法具有良好的尺度适应性和鲁棒性。针对跨摄像头重识别时易受携带物品、衣着变化影响导致识别准确率较低的问题,提出了一种基于行走特征的行人重识别方法。该方法通过提取行人的多帧2D关节点计算得到关节长度和关节移动序列,并融合得到行走序列,然后分别用CNN网络和BLSTM网络提取其空间特征和时序特征,并进行特征融合,最后计算行人间的相似度进行重识别。在Dataset B数据集上进行测试,结果表明,本文提出的重识别算法在单一视角下的平均重识别准确率达到了85.44%。