近年来,随着自动驾驶及智能视频监控的发展,所产生的视频数据量愈发增长,对视频中的行人检测和行人识别技术越来越受到研究者的重视。在此背景下,本文设计一个基于深度卷积神经网络的行人检测和行人识别系统,具体工作内容总结如下:1)本文构建基于YOLO的深度卷积神经网络模型,实现行人的检测。该模型利用卷积神经网络在图像上提取特征,输出回归目标的概率和类别,实现在复杂场景下行人目标的检测。实验结果表明,该模型具有检测实时性和鲁棒性。2)为有效识别行人,本文基于相似性度量思想设计全卷积孪生网络模型,实现行人的追踪。首先采用摄像头下的自然视频帧作为待处理图像;其次在图像上通过深度卷积神经网络检测出行人目标;然后利用全卷积孪生网络在相邻帧间对目标作预测追踪;最后通过得到的检测目标框和追踪候选框的重合比例判断是否为同一个目标。此外,由于可能出现检测和追踪的误差,本文同时采用余弦相似度匹配法作为第二重目标匹配方法。实验结果表明,全卷积孪生网络模型具有较好的追踪效果。3)为精确识别行人,本文基于追踪得到的行人图像序列采用两种识别方法。第一种方法是步态识别法:首先利用基于DNN姿态估计算法在追踪到的行人中提取人体关键节点;然后将行人的关键节点通过残差网络和LSTM算法得到该行人包含空间和时间信息的步态特征;最后使用SVM算法对步态特征进行分类训练,达到行人步态识别的目的。第二种方法是人脸识别法:首先基于Dlib人脸检测器,并利用CNN训练多角度人脸检测模型,得到人脸的多角度检测器;其次使用PCA算法构建人脸特征提取网络;最后利用SVM算法进行人脸分类,从而实现在自然行走条件下的人脸识别。实验结果表明,以上算法可以实现行人在自然行走状态下无需主动配合即可对其有效识别。4)本文基于上述算法设计出一种基于自然行走条件的行人检测和行人识别系统。该系统可以实现视频获取、行人检测、人脸检测、行人追踪及行人识别功能。并且通过详细的系统流程介绍和相关测试,表明本系统在实际应用中拥有较高的推广价值。