随着城市智能化的不断发展,社会公共安全越来越受到大众的关注。基于监控视频设备进行的定位、目标识别和比对等智能侦查技术,在公安刑侦、城市管理、人物寻踪中扮演着越来越重要的角色。行人重识别作为智能视频分析的重要环节,逐渐成为近几年来学者们的研究热点。多监控系统中的行人重识别是在多摄像机间进行的行人检索任务。由于摄像机间拍摄角度、光照条件差异等,使行人重识别成为一项有挑战的模式识别任务。针对行人图像易受到光照、相似着装、拍摄角度等影响而出现难分行人样本,最终导致错误匹配的问题,本文提出一种基于经典孪生网络的改进行人重识别算法,首先加入随机擦除算法提高模型的鲁棒性,然后利用卷积神经网络提取图像特征,并以焦点损失(focal loss)和交叉熵损失的联合损失函数对孪生网络进行监督训练,增加模型对难分样本对的关注度,最后在重识别任务中加入重排序算法,进一步降低错误匹配率。针对跨域行人重识别识别率较低的问题,本文提出采用循环生成式对抗网络(Cycle GAN)对数据集中的行人图像进行镜头间的风格转换,然后将转换图像与原始图像共同作为输入,利用联合损失优化的孪生网络进行训练,并且也加入重排序算法共同提高跨域行人重识别的识别精度。为评估算法性能,在Market-1501和Duke MTMC-re ID两个公共数据集上对本文提出的算法进行实验验证与测评。实验结果表明,加入随机擦除算法处理图像后,采用联合损失训练孪生网络较经典算法的识别精度得到了很大的提高;将循环生成式对抗网络产生的行人图像进行训练,得到的模型对跨域行人重识别的准确率提高了,优于目前一些跨域算法的识别精度。