视频信息采集与处理系统是指通过摄像头捕捉图像信息,再通过人工或机器来对捕捉到的图像进行解析,并存储的过程,常用在视频监控,视频异常行为分析上。在采集到的视频信息中,行人信息是比较重要的一种。利用行人信息中的面部信息,可以快速确定行人身份,确保特定场合的安全等。而在传统信息采集与处理系统中,绝大部分行人信息依赖于人工筛选提取,不仅费时而且费力。一旦行人面部发生遮挡,人工便难以对信息进行整合,降低整个系统的安全性和鲁棒性。且随视频时间增加,带来海量信息存储困难问题。因此,为改善既有采集方式,提高信息采集时的准确性和鲁棒性,同时解决海量信息存储困难问题。本文设计并实现了一种基于深度学习的行人信息采集与处理系统,主要工作包括:(1)根据行人信息采集的具体场景,分析并设计出基于深度学习的行人信息采集与处理系统软件架构,建立四层模型,表示层(人机交互),业务层(图像处理),持久层(数据存储),数据层(数据类型)。结合系统所需配置,对硬件进行针对性选型,设计合理硬件架构。完成鱼眼摄像头畸较,并分析已有深度学习框架,选定图像处理模型训练方法。(2)针对Faster-RCNN模型在视频流输入时,存在mAP降低问题。本文在Faster-RCNN基础上,设计并实现了一种融合时序非极大值抑制方法,具体包括划分时序范围,计算参考框得分,时序重评分,以及高分去除。以此降低强检测框(重复框)分数,增强弱检测框分数,完成NMS中时序信息融合,解决检测过程中mAP降低问题。(3)针对面部存在遮挡时,行人信息完整性降低问题。本文实现了一种基于GDBT的人脸对称算法,用来判断人脸是否存在遮挡。设计实现了一种基于WGAN-GP的人脸补全算法,并对图像局部损失和全局损失进行融合,以此提高图片补全过程中,补全图片与原图片的真实性和相似性。保证行人信息的完整性。(4)针对海量行人信息存储过程中,常规方法(集中式存储)存储困难问题。本文通过分析存储数据的组成结构和存储需求,对比常用存储框架,选定Hadoop作为本文系统存储框架。并设计存储模块架构,实现集群搭建,完成行人信息在HDFS上的存储,解决行人信息存储困难问题。最后,通过实验对本文系统进行性能测试。包括不同算法组合下行人信息采集完整性测试,以及使用实际行人数据时,信息存储模块压力测试。完整性测试表明,在Caltech测试集中,本文算法组合优于其他已有算法组合,平均识别完整性提高3.56%。信息存储测试则表明,基于Hadoop的分布式存储系统,在三节点时吞吐均值就达到77.8MB/s,满足海量视频存储需求。