行人重识别,是判断图像或者视频序列中是否存在特定行人的技术,本质是一个跨摄像头图像检索的任务。现有的行人重识别领域的研究主要聚焦于集中式的有监督或无监督学习算法,在实际应用过程中所有行人数据均需要从每个摄像头节点上传到云端服务器进行统一处理。然而,随着智慧城市建设过程中部署摄像头的数量逐渐增多,海量监控视频数据的智能处理给云端服务器带来了巨大的带宽成本以及计算成本,与此同时也带来了行人隐私泄露的风险。针对上述集中式行人重识别算法面临的问题,本文设计并实现了基于边缘计算的分布式行人重识别系统及算法,实现在分布式环境中进行行人图像的跨摄像头检索。每个具备AI计算能力的摄像头节点负责本地行人图像的采集、存储、学习与检索,行人数据仅保存在摄像头节点本地。相较于集中式行人重识别算法,本文所研究的基于边缘计算的分布式行人重识别算法在行人隐私保护以及智慧城市建设等方面具有重要的意义。具体而言,本文所研究的基于边缘计算的分布式行人重识别系统包括以下几个方面:1)本文设计了一套分布式网络架构,阐明了基于边缘计算的分布式环境中如何构建摄像头网络、记忆网络以及面向行人重识别的深度神经网络模型;2)同时本文设计了一系列分布式行人重识别模型训练算法,阐述了在分布式且数据非独立同分布的环境中如何进行行人重识别模型的无监督增量训练;3)最后本文设计了分布式行人检索算法,在尽可能降低边缘设备计算成本以及分布式节点之间通信成本的前提下实现高效的跨摄像头行人检索。本文基于主流行人重识别数据集,通过构建相关实验验证了分布式行人重识别训练算法和分布式检索算法的性能,证明了在大规模分布式场景下分布式检索算法的可靠性。与此同时,我们在NVIDIA JETSON TX2边缘设备上对相关模型算法进行了实际性能测试,证明了算法落地的可行性。