行人重识别技术主要利用行人数据集训练的神经网络提取行人特征、进行目标行人的判别。然而,典型行人重识别数据集数量有限,且采集的行人图像存在姿态多变与风格变化等干扰因素,同时传统特征提取方法容易忽略身份敏感相关信息,导致现有行人重识别方法不能有效学习多种判别性特征,缺少有效检索范围判定,而出现检索性能低的问题。针对以上问题,本文使用风格信息和姿态信息进行图像合成,扩充数据集,并依据属性相关性减少属性个数,依据属性预测进行图像筛选缩小图像匹配范围。具体研究工作如下:1)为了学习行人多种判别特征,在扩充数据时,使生成的行人图像含有丰富的样本信息,本文在生成对抗网络的基础上,设计结合风格与姿势生成的行人重识别方法。首先利用循环生成对抗网络生成其他相机风格的行人图像,实现不同相机互相之间风格转移;然后通过Alpha Pose实现姿态估计,提取姿态骨架,并将提取的姿态骨架与经过风格转移生成的行人图像作为输入,使用深度卷积生成对抗网络生成统一风格姿态图像,实现姿态统一变换;最后使用新生成的数据来训练行人重识别网络并且在处理数据时引入随机擦除方法,提高行人重识别的效果。2)为了充分利用属性与属性之间,属性与身体部位之间的相关性提高行人重识别模型的精度和检索效率,本文设计利用属性相关性的行人重识别方法。首先通过不同膨胀比的空洞卷积来获取多尺度的上下文信息,然后利用人体解析模型提取人体部位特征,并根据属性对行人重识别结果的相关性进行属性删减,保留相关性相对较高的属性,将这些属性与人体部位作为节点构建低维图网络模型,进行推理,编码成更具代表性的局部特征,最后利用属性预测,从图库图像中过滤掉与查询图像没有相同属性的图像,减少图像的匹配范围,提高检索速度,改善行人重识别的性能。文中给出的研究方法在行人重识别基准数据集上都取得了相对较优的效果,实验结果表明本文所设计的方法可以有效解决摄像头差异以及姿态变换带来的影响,实现行人图像的快速匹配,对解决相关问题具有一定的参考价值。