行人再识别(Person Re-identification)是指利用已有的计算机视觉技术,针对特定的目标行人,将其从图像或视频序列中再次识别的过程。行人再识别问题的研究有着很高的实际应用价值。随着近年来深度学习技术的发展,海量视频图像信息的生成,以及计算机硬件性能的快速提升,行人再识别技术的主要研究方法已经从传统的人为设计的特征提取与度量匹配相结合的方法,转变为基于深度学习模型进行的特征提取和行人识别的方式。既有的行人再识别研究主要存在以下两个问题:一方面,当下针对行人再识别的研究方法大多将行人检测工作和行人再识别工作分开进行,这导致在行人再识别工作中,会使用默认标注好的行人区域进行识别工作。但在实际应用中,通常需要从监控设备收集的整张图像中进行目标行人提取。另一方面,目前行人再识别的常用数据集中,行人的样本数量过少,无法满足行人再识别系统网络的训练需求。而生成用于行人再识别工作的数据集需要大量的前期准备工作,从图像信息的摄录到图片信息中行人的标注分类均需要很多的人力工作来完成。针对上述问题,本文采用了基于端到端网络模型的行人再识别系统,并对其进行了改进。将行人检测工作和行人识别工作统一到一个系统结构中,通过共享行人特征信息的方法将两部分内容连接成一个有机的整体,实现了从整张图像信息中提取行人后再进行识别的过程,更能够满足实际应用的需求。同时,本文使用对抗生成网络技术对已有的行人再识别常用数据集进行扩充,将生成的行人图像作为无标签的行人信息用于行人再识别网络的训练过程,让深度神经网络能够学习到更多的特征信息,从而提高已有行人再识别系统的准确率和实用性。最后,本文根据上述方法和目标进行了相关系统的实现和实验,验证了本文所使用的行人再识别系统的鲁棒性以及有效性。