随着人工智能技术的发展,人工智能越来越多的走进人们的生活中,改变着人们的生活,如火车站的人脸检测安检、手机上的语音识别输入等。在计算机视觉领域中,多相机多目标跟踪(MTMC)因其潜在的商业价值成为目前的一个研究热点。MTMC旨在从多个相机拍摄的视频流中始终确定每个目标的位置,得到的多摄像机轨迹可以应用于包括视觉监视,例如可疑活动和异常检测、运动跟踪、人群行为分析和无收银员商店。本文主要研究如何在超市场景下结合MTMC实现顾客跟踪,帮助获得用户的购物数据,如在超市中的活动轨迹,顾客分布热力图,商品的购买顺序等。用来分析顾客购物习惯、优化商品摆放位置、协助商家提升服务质量、获得最大效益。主要包含以下研究点:1.基于卷积神经网络的特征提取方法。研究学习现有具有出色性能的行人重识别算法,提出一种结合排名驱动结构性损失与分类损失的度量学习算法及单分支的网络结构,所提算法可以在公开数据上取得较好的性能表现。并拍摄制作头顶视角下包含1 10个行人图像的行人重识别数据集,验证了在本文研究场景下所提行人重识别算法的有效性。2.基于2D图像位置数据与3D空间位置数据的运动模型构建及单相机视野下多人跟踪方法研究。提出了使用头部2D位置数据及双肩斜率与头部3D位置数据及肩宽数据作为输入的运动模型。在单相机下多人跟踪中,根据位置匹配代价使用加权二分图的最佳匹配问题建模追踪中帧与帧之间位置数据匹配,在只使用位置数据的情况下实现了单相机下的多人跟踪。并针对单相机下因为误检测、静止目标带来的无效干扰轨迹数据的问题,提出了使用凸包算法进行过滤的算法策略。3.多相机之间轨迹匹配方法研究。针对多相机多人跟踪问题,提出了分级计算轨迹数据的策略,即先计算获取单相机下的轨迹数据,然后匹配多相机之间的轨迹数据实现每个人在整个场景轨迹数据的获取。在多相机之间轨迹匹配中提出了基于轨迹之间特征相似性、轨迹之间位置匹配代价与相机拓扑分布约束的轨迹匹配方法,减少了计算量并提高了系统鲁棒性。