随着智能硬件的发展,计算机视觉领域进入高速发展期。在此背景下,视频序列下的在线多目标跟踪有着极大的场景应用价值。例如在视频监控的人流分析,智能城市交通、智能视觉导航等新兴人工智能应用场景发挥着极高作用。因此,本文为常见的特定跟踪对象行人建立了一套算法模型,为相关问题研究提供一定的借鉴意义。现在多目标跟踪的主流框架都采用检测辅助跟踪的模式。这类策略先通过检测模型得到兴趣区域,即用目标检测网络提取出目标位置框。然后建立跟踪器用以预测每个跟踪目标的下一个位置,将当前帧中检测到的目标与已跟踪到的目标进行度量匹配。在跟踪模型的行人目标检测阶段与数据关联阶段加以创新,可以提高跟踪模型的整体性能。本文的主要工作如下:1.在跟踪模型的行人目标检测阶段,针对现有的多目标行人检测方法存在着小目标漏检、拥挤场景下鲁棒性不高等问题,本文从三方面加以创新:a)在目标检测网络设计阶段,设计一种多尺度特征融合的行人目标检测网络;b)在候选框选取阶段,根据行人框细长的特点,重新聚类候选框的大小,使得检测网络在目标分类时更具有针对性;c)针对行人相互遮挡情况,在原有的非极大值抑制算法中加入排斥惩罚权值,改善了重叠检测框容易被剔除的问题。2.在跟踪模型的数据关联阶段,针对行人多目标跟踪在物体遮挡等情况下容易出现误匹配的问题,本文从两方面进行创新设计:a)将区域中的行人基于区块进行粗分类,限制了再匹配时的跟踪区域的面积,使得全局匹配问题优化为局部领域匹配问题,提高了跟踪算法的效率;b)引入了行人组别的先验信息,构建了一套行人组别的判别标准,使得具有组别标签的行人在跟踪算法中具有更高的鲁棒性。从整体模型设计来看,本文的优势在于多方面的优化与创新,在不同的方面均针对问题进行细节优化,从行人目标检测阶段,再到行人目标数据关联阶段,互相依赖,从而达到令人满意的效果。最后依据算法内容,设计了一款简便易用的在线多目标行人跟踪系统,为嵌入式的平台系统提供辅助性参考。