行人重识别(Person re-identification,Re-ID)作为一种重要智能视频分析技术,在智能安防、案件侦破、遗失查询、智能交互等领域应用广泛,是公共安全管理的重要手段,已成为目前众多科研机构研究的热点。但由于实际场景中光照、遮挡、分辨率、背景、人体姿态各异,加之目前数据集的不充足,使得行人重识别任务仍然面临许多困难和挑战。本文研究重点是复杂环境下的鲁棒性的行人特征提取,以及提高数据资源利用率的方法,已获得更高效、准确的识别效果,具体内容如下:论文基于孪生网络结构,改进和优化了行人特征提取的主干网络ResNet-50,以解决视频监控场景复杂、行人图像分辨率较低,难以提取稳定的行人图像特征问题。一方面,基于深度可分离卷积思想对模型中普通卷积进行改进,分离通道特征和空间特征的卷积过程,实现通道和空间的退耦合,并减轻了运算压力。另一方面,根据通道特征对图像的展现特点,设计了双线性通道融合注意力机制,融合不同感受野下的图像特征,并将其转换成为不同通道特征的注意力权重,以此融合并强化不同通道的细粒度特征信息,提高特征的鲁棒性。论文提出了图库图像相似性(G2G相似性)优化测试图像(Probe)与数据库图像(Gallery)之间的相似性(P2G相似性)的思想,并给出了具体算法,以解决行人重识别数据资源较少且利用率较低的问题。算法基于随机游走思想,利用G2G相似性通过随机游走模型影响初始P2G相似性得分,从而实现对初始P2G相似性微调校正,不但引导P2G相似性的优化,也为网络训练带来丰富的监督信号。同时,设计了难样本挖掘模块,选取较难样本进行相似性优化,增强模型的泛化能力同时减轻网络的运算压力。另外,利用图片特征进行水平重叠分组,单独计算并优化全局与局部的P2G相似性,通过融合训练过程学习各组特征的权重,实现对各关键部分重要性的自动感知。本文改进了孪生网络结构以及相似性度量更新方法,实验结果表明,与现有的方法相比,本文方法可以有效提升行人重识别任务的准确率。