当前,智能视频监控的应用越来越广泛,人体对象再识别技术也日益重要,是受到众多研究者关注的一个热点方向。人体对象再识别,就是在非重叠的多摄像机监控系统中,输入以人体对象为中心的带边框的图像,能够通过相似性度量的方法,识别出一个感兴趣的目标对象。由于每个摄像机的摄像头成像时的特征、拍摄时的角度、拍摄环境下的光照都各不相同,拍摄到的运动目标外观发生很大变化,非重叠域监控网络中的目标匹配比较困难。为了解决目标匹配的困难,目前研究者主要在两个方面进行研究:通过目标外观视觉特征的提取和匹配来实现人体对象再识别,以及通过基于学习的机制来实现人体对象再识别。本文着重在目标外观视觉特征的提取方法上,提出两个外观特征算法。第一个方法是基于PS(Pictorial Structure)模型和多特征融合的人体对象再识别算法。该算法在特征提取前,首先将人体对象从带边框的图像中同背景分割出来。为了能更准确地将人体的轮廓提取出来,减少背景杂波的干扰,该算法使用了PS模型,从而使得提取的特征更加纯净、更加可靠。颜色特征相比其他特征有更好的视点不变性,但是对于特定的目标对象,如纹理特征明显的人群,单个颜色特征的性能有待改善。本文提出了基于PS模型的多特征融合的算法,通过比较多个纹理特征,将性能表现最好的纹理特征和颜色特征融合在一起,获得适用范围更广的特征描述,在性能上有较大改善。第二个方法是基于多颜色空间和区域协方差的人体对象再识别算法。此算法使用多颜色空间、Gabor特征提取及协方差矩阵多个方式来获取图像描述符,能获得图像像素的强度、纹理和形状信息。此特征描述符通过相邻尺度的相似性度量减小了背景杂波的影响,对输入的带框图像不需要提取人体前景,对光照,尺度及背景变化有一定的不变性。同时,通过叠加多个颜色空间的特征,及特别的协方差矩阵设计,使得算法性能有较大提升。以上所有的方案都在MATLAB上验证。实验表明,提出的算法在性能上有较好的改善。