目前,公共安全问题越来越受到人们的重视,大量监控系统应用到公共场合,如校园、广场、汽车站和火车站等。传统上,公安人员在利用监控视频破案时,需要人为地观看大量监控视频来寻找目标嫌疑人,工作量非常繁重而且容易出错。因此,本课题拟以视频监控中的行人目标检测与跟踪为目标展开研究,通过行人重识别技术对视频中的行人目标进行自动检测、定位与跟踪,从而达到减轻公安人员工作量和提升破案效率的目的。视频中目标行人检测与跟踪技术主要包括行人检测、行人重识别、行人跟踪等。以下为本文的主要研究内容。(1)经典的行人检测算法分析与研究。行人检测主要包括行人特征提取、分类器训练和后处理几个过程。主要分析HOG-SVM方法和聚合通道方法,在HOG-SVM方法中,仅仅使用梯度方向直方图特征;而聚合通道方法中,以颜色特征(LUV)、梯度直方图特征和幅值特征构成通道特征,使用级联分类器对图像进行逐级筛选;为了快速提取图像特征,使用快速图像金字塔特征的方法来提取图像特征。最后在INRIA行人数据库进行仿真实验并对结果进行分析。(2)行人重识别算法研究。对度量学习方法以及基于神经网络的行人重识别算法进行深入分析,并对残差网络模型(Resnet)中网络各层详细研究。为了进一步提高行人重识别的识别率,在残差网络模型中引入生成模式,得到生成式对抗网络模型(GAN),提高网络模型的识别能力。为了进一步提高网络识别能力,给生成图片赋予多个类别标签。最后,在DukeMTMC-reID行人重识别数据库上进行仿真实验验证。(3)行人跟踪方法研究。对Mean-Shift跟踪及其融合方法进行分析,在此基础上对核相关滤波(KCF)跟踪方法进行深入研究,如循环矩阵、岭回归和核函数等。针对KCF方法中颜色干扰和行人窗口始终不变的问题,引入颜色特征和多尺度检测方法进行改进。同时,针对遮挡问题,引入遮挡判别机制来更好的对模型进行更新。为了满足跟踪实时性要求,在对目标行人多尺度检测时采取每间隔几帧检测一次的方式。最后,在行人跟踪视频集上进行仿真验证。