到目前为止,我国已经建成全世界最大的视频监控系统,每天都会产生大量的视频数据,仅仅依靠人工方法对这些数据进行分析的效率会非常低。行人重识别技术是一项可以在跨场景跨摄像头的情形下,在大量的视频序列或图像中寻找到特定行人的技术,已经在公共安全、智慧安防等领域起着重要的作用。但是在现实场景中,由于存在着遮挡、低分辨率以及光照等因素影响,无法提取到具有鲁棒性的行人特征,导致出现行人重识别率低的情况。针对目前行人重识别中存在的提取行人有效特征难的问题,提出了一种基于卷积神经网络的行人重识别方法,主要研究工作如下所述:提出了一种基于多尺度加权特征融合的行人重识别网络模型,首先,在主干网络ResNeSt-50中引入了注意力机制进行行人多尺度特征的提取,可以使网络提高对行人区域的关注度。然后,将提取的多尺度行人特征输入到加权特征金字塔网络进行特征的加权融合,引入加权操作可以让网络模型在训练中自动学习分配给融合特征的权重,从而获得更加丰富的多尺度行人特征。最后,通过多分支网络结构获取富含行人语义信息的全局特征和富含高分辨率信息的局部特征,在训练过程中联合使用Softmax分类损失函数、难样本挖掘三元组损失函数和中心损失函数对模型进行训练。为了验证网络模型的性能,在公开数据集Market-1501、DukeMTMC-reID、CUHK03-Labeled和CUHK03-Detected对模型进行测试,在这4个数据集中mAP精度分别达到了89.4%、80.5%、81.5%和78.4%,Rank-1值分别达到了95.9%、90.7%、82.7%和81.2%。与近几年行人重识别先进算法进行了对比试验,取得了较高的mAP和Rank-1值,证明了网络模型的先进性。进行了多组消融实验,证明了主干网络、注意力机制、加权特征金字塔网络和多分支网络结构的有效性。进行了加权特征金字塔堆叠参数分析实验,证明了当堆叠参数为2时,可以获得最好的实验效果。该论文有图37幅,表9个,参考文献78篇。