1.一种基于人脸识别与行人重识别的特定目标跟踪方法，含有以下步骤：(1)训练基于特征融合与三重损失函数的行人重识别神经网络；

步骤11：预训练ResNet50网络；

利用ImageNet数据集作为训练数据集，训练1000分类的ResNet50网络，使ResNet50有理想的初始值，理想的初始值使行人重识别网络更容易收敛；

步骤12：改进ResNet50网络；

搭建基于ResNet50的特征融合网络；加载预训练模型参数，除去ResNet50的全连接层，将ResNet50中的res5a、res5b做全局平均池化，拼接得到两张特征图，用全连接层fc-1024作用在这张拼接特征图上得到长度为1024的特征向量，记为mid-level feature；同时，将ResNet50中的res5c也做全局平均池化，池化后展开得到长度为2048的特征向量，记为high-level feature；将mid-level feature和high-level feature拼接得到长度为3072的特征向量，记为final feature；

添加hard triplet损失函数；一种基于训练批量(Batch)的在线难样本采样方法，对于每一个训练批次，随机挑选P个ID的行人，每个行人随机挑选K张不同的图片，即一个batch含有P×K张图片；对于batch中的每一张图片a，挑选一个最难的正样本和一个最难的负样本和a组成一个三元组；定义和a为相同ID的图片集为A，剩下不同ID的图片图片集为B，则hard triplet损失表示为：m设定为0.3；hard triplet损失会计算a和batch中的每一张图片在特征空间final feature的欧式距离，然后选出与a距离最远即最不像的正样本p和距离最近即最像的负样本n来计算三元组损失，hard triplet损失效果比传统的三元组损失要好；

添加softmax损失函数；softmax在分类问题上有非常好的表现，将每一个行人作为一个类别进行训练，Market1501训练集中共751个人，因此在final feature之后加一层全连接层，得到长度为751的fc-class；softmax loss作用于fc-class上；

添加ring损失函数；一种原用于人脸识别的辅助损失函数，Ring loss将特征final feature限制到缩放后的单位圆上，同时能保持凸性，来得到更稳健的特征；其定义如下：这里λ取0.005，m为训练批次大小，即P*K，R是可训练参数，初始值为1；

步骤13：预处理Market1501数据集；

每一个训练批次，随机挑选P＝12个ID的行人，每个行人随机挑选K＝4张不同的图片，即一个batch含有P*K＝48张图片；图片随机裁剪成128*256大小，每张图片有概率地进行水平翻转，并归一化图片像素值；

步骤14：训练行人重识别网络：

加载预训练模型参数到本发明中修改过的ResNet50中，使用预处理过的数据集，三重损失值相加为最终损失值，利用Adam算法优化模型，迭代更新神经网络权重，直至模型收敛；最终，该模型在Market1501上取得rank1为92.2％的精度；

(2)建立目标人脸库；

步骤21：每个目标行人保存三张人脸图片，以“姓名+序号”的图片名保存；所有人保存在同一个文件夹下，一个人的库图片越多，检索起来越容易；

步骤22：在该文件夹下建立一个文本文件，文件内容为图片名和对应的人名；

(3)读取多源监控画面；

步骤31：开启多个子线程，每个线程对应一个监控设备，设备个数可增减；

步骤32：通过rtsp协议读取每个监控的每帧画面，传到服务器进行以下处理；

(4)行人检测；

步骤41：加载Yolo3模型，加载一次即可；

步骤42：将整帧图片送入Yolo3，得到行人的坐标位置，根据坐标从原始画面中裁剪出每个行人，逐个行人进行以下步骤；

(5)提取行人特征；

步骤51：加载训练好的的行人重识别模型，加载一次即可；

步骤52：将行人图片送入行人重识别模型，一个行人得到一行长度为3072的特征向量,即图1中的final feature，该特征向量作为行人特征，在以下步骤中使用；

(6)人脸识别；

步骤61：调用face-recognition库的人脸识别模块提取人脸库的人脸特征向量，人脸库特征提取一次即可；

步骤62：调用face-recognition的人脸检测模块检测人脸，检测监控中行人面部是否可见，若面部检测成功，则继续以下步骤，否则，跳转至步骤(7)进行行人重识别；提取监控中行人的人脸特征向量A，分别求A与行人库中所有人脸相似度；假设人脸库中有特征向量记为B，其相似度计算公式为：其中，dist为A与B的欧式距离；

步骤63：取其中相似度最高的值S；

步骤64：若S大于等于阈值α，本发明中α取0.77，则认为S对应的人脸与该行人匹配；即人脸识别成功，与此同时，保存该行人的行人特征和标签到行人特征库中，行人特征由步骤(5)得到；人脸识别成功则跳过步骤(7)和步骤(8)；

步骤65：若S小于阈值α，与该行人最相似的人脸相似度达不到阈值，即人脸识别失败，进入步骤(7)进行行人重识别；

步骤66：由于人脸遮挡严重，或者行人背对监控，无法检测到人脸而导致的人脸识别失败，进入步骤(7)进行行人重识别；

(7)行人重识别；

步骤71：当人脸识别失败时，利用行人特征进行识别；将第五步得到的行人特征记为R，分别求R与行人特征库中每一个行人的欧式距离，欧式距离越小，相似度越高；

步骤72：取R与行人库中最短的欧氏距离，记为x，设置行人重识别阈值β＝115，保存至行人库的阈值γ＝60；

步骤73：若x<β，则该行人与最小欧式距离对应的标签相匹配，行人重识别成功，进入步骤4；否则，跳过步骤74进入步骤(8)；

步骤74：若x<γ，表示该行人特征与行人库中某一特征非常相似，即该行人属于目标行人的概率非常大，保存该行人特征至行人特征库，跳过步骤(8)；

(8)基于上下帧时空相关性进行跟踪；

步骤81：记录上一帧每个行人的位置坐标和身份标签，没有身份标签的记为‘None’；

步骤82：假设人脸识别和行人重识别不能识别某一行人，将该行人记为W；

步骤83：计算行人W的位置框与上一帧每个行人位置框的重合度，重合度越高的，表示属于同一人的可能性越大；因此，认定行人W与上一帧中位置重合度最高的行人相匹配。