目标计数在智能安防领域有着广泛的应用前景,是计算机视觉领域的典型应用,其包含的目标检测和目标跟踪技术是计算机视觉需要解决的最基本问题,也是当前研究的热点。但是在实际的监控场景中光照变化、背景复杂,尤其是行人出现遮挡、姿态变化,都会影响最终结果的优劣。近年来随着深度学习的广泛应用,其在鲁棒性和准确度方面可以有效提高算法质量,因此本文是基于深度学习方法对目标的检测和跟踪方面进行研究。本文以基于数据集中上下行的行人车辆为研究目标,综合考虑实时性和准确性,结合实际场景,提出了改进YOLOv3(You Only Look Once v3)的目标检测方法、基于IOU(Intersection Over Union)的车辆跟踪方法和改进Deep SORT(Simple Online And Realtime Tracking With A Deep Association Metric)的行人跟踪算法,最终得到行人的数目,辅助安防监控视频。本文主要工作和创新如下:(1)建立行人车辆检测跟踪数据集本文数据的采集来自于两部分,一是采集真实客渡场景的数据,二采集真实轮渡场景数据。数据集含有车辆和行人两种类别,其中标注行人的头肩部分区域制作的数据集,包括8874张图像,其中7986张训练集,888张测试集。(2)基于改进YOLOv3的目标检测算法本文提出了改进的YOLOv3检测算法。针对原始YOLOv3算法应用于检测中精度相对较低的问题,在原始YOLOv3损失函数中,使用CIOU Loss代替均方误差损失函数作为边界框回归函数,在边界框置信度损失函数中融入Focal Loss损失函数。针对YOLOv3算法检测较慢问题,使用Mobile Net网络代替Dark Net-53网络。通过实验验证这种算法在本数据集中有良好的检测效果,并且具有实时性。(3)基于IOU-tracker和改进Deep SORT的多目标跟踪与计数行人和车辆的大小在图像中相差较大,行人的边框面积远远小于车辆的面积,因此采用两种不同的计数方法。对于车辆计数采用IOU-tracker进行跟踪并计数,针对行人目标本文提出了改进Deep SORT的多目标跟踪算法进行计数。改进的Deep SORT跟踪算法是使用Res Net101网络和Hard Triplet Loss损失函数代替原始网络,实验证明改进的算法对于目标跟踪有更好的效果。实验结果表明,本文提出的检测算法在本文自制测试集中可以达到实时的效果,并且达到93.27%的精度。将检测跟踪结合起来的计数系统在车辆和行人两种类别上都可以达到较好的效果。