行人重识别是一种从不重叠视角的多摄像头监控图像或视频中匹配目标行人的方法,是当前计算机视觉中最活跃的研究领域之一。由于实际监控场景的复杂性,拍摄到的行人图像会出现视角变化、背景物干扰和空间不对齐等问题,给行人重识别的研究带来了很大的挑战。为了解决上述提到的这些问题,本文使用一种成熟的单人姿态估计方法——解析引导学习器训练好一个姿态估计模型,获取了行人图像的16个关节点的坐标信息。依据这些关节点划定行人图像的左右边界,并利用其中对摄像头视角变化有强鲁棒性的6个关节点分别获取了三个身体区域的行人图像,即上半身、中间躯干和下半身。以精心调整后的Res Net-50作为骨干网络,本文搭建了一种简单而有效的多分支身体区域对齐网络,它由身体区域提取和特征学习两个模块组成。身体区域提取模块利用姿势估计方法估计出的姿态关节点,设计一种截取方法分别得到三个不同的身体区域图像。在特征学习模块中,四个全局或局部分支网络是共享基础层的,并同时学习全局和三个局部身体区域的深度特征,进而将它们进行加权融合得到最终的特征表达。本文在行人重识别的两个大规模标准数据集Market-1501和Duke MTMCRe ID上进行了大量的对比实验和参数测试,选择最优的参数和特征融合策略提高了行人重识别系统的整体性能。与几种近些年的同样基于部件的行人重识别方法相比,本文提出的方法在评测指标Rank-1和m AP上均有不小的提升,证明了本文方法的有效性和先进性。