随着人工智能技术的进步与发展,基于行人的检测、追踪和重识别的算法性能有了进一步的提升,但是算法落地还比较困难。其难点主要有两个:首先,当前深度学习的神经网络模型大多只在服务器上测试性能,模型很难在嵌入式设备上运行。其次,研究者们只专注于解决单一的问题,例如目标检测和追踪,没有考虑到算法之间的融合,而单独的检测和追踪算法在实际生活中的应用上有很大的局限性。针对以上的存在的问题,本文基于嵌入式设备,对神经网络模型在嵌入式设备上的应用进行了探索。我们选用了在行人检测和追踪上有着优秀表现的轻量级模型,并进行了模型剪枝和量化工作,在保证准确率的前提下,进一步的提升算法的运行速度。另外,基于现实生活中对行人信息统计的迫切需求,本文设计了一套完整的端到端系统,用户无需任何操作即可获取行人的计数信息。最后,我们采用了短时和长时两种方式的行人重识别策略,解决了行人追踪的过程中可能出现的ID切换问题,让系统自动更新行人的数据库ID,保证了行人在数据库中ID的唯一性。我们通过行人的ID数量来进行行人计数,因此也保证了行人计数的准确性。最后的实验的结果也表明深度学习的算法并非无法在嵌入式设备上运行。我们需要让算法在嵌入式设备上最大程度的发挥性能,结合两者的优势,获得真正的实用价值。