随着社会的发展和科技水平的提高，视频监控越来越多的出现在人们的日常生活中。利用视频进行行人的分析，传统的人工方法工作效率低下且容易出错，而人脸识别在监控的实际应用中效果非常有限。近年来，基于单个摄像头视频序列分析技术已经取得了巨大的进步，但是单个摄像头无法覆盖更大的区域，故分析视频信息需要综合多个摄像头的视频序列。因此，行人重识别方法的研究渐渐成为机器视觉领域的主要研究课题之一。
　　本文提出了基于监控视频的行人重识别方法研究，首先对视频行人进行检测，对检测到的行人进行目标行人重识别，最后对识别到的目标行人进行跟踪。作为对监控视频下人脸识别的补充，本文针对跨视域的行人识别问题，提出将行人检测、行人重识别和行人跟踪三大任务相结合，完整的完成整个行人重识别的框架。
　　本文的主要工作内容和创新点如下：
　　（1）行人检测对目标行人的提取。作为本文整个研究的第一步，也是关键的一步。通过对比现有的经典HOG+SVM检测方法，本文采用ICF+AdaBoost方法实现对行人的高效快速检测。
　　（2）对检测到的目标行人进行人行重识别。传统的特征融合和网络分解通常会有属性标注成本高、特征提取维度大等问题，并且常用于图像分类中。本文在深度学习网络DNN和残差网络ResNeXt的基础上，将多层次分解网络应用于行人重识别。为了更好的提取多层次维度的判别特征，将整个网络分成多个块，模型训练可以使不同的块中的因子组件表示不同级别的语义。而对这些语义特征进行聚合可以达到降低特征维度，加快计算的目的。经实验证明，该方法的准确率和识别时间都有很大的提高。
　　（3）对重识别到的目标行人跟踪。本文重点研究了经典的目标跟踪KCF方法，并对其进行改进。经典的KCF算法是基于HOG特征的，对于人的轮廓边缘信息有较好的提取，而对遮挡的情况并不能很好的应对。本文采用了基于MLBP特征的改进KCF跟踪方法，在基于MLBP特征的研究上，在训练阶段对提取的HOG特征和MLBP特征进行融合，有效的描述了行人的纹理信息，提高了行人跟踪的准确度和持久性。改善了遮挡问题，提高了系统的鲁棒性和旋转不变性。本文采用该方法对行人进行长时间持续的跟踪。
　　（4）本文选取INRIA行人数据集、Market-1501重识别数据集、DukeMTMC-reID重识别数据集和OTB数据集分别对本文中三个主要模块行人检测、行人重识别和行人跟踪方法进行实验验证，验证数据显示本文所采用的方法可在各评估标准下达到很好的效果。