行人重识别(Person Re-Identification,Person Re-ID)指的是输入需要查找的行人,在多个无重叠画面的摄像头中寻找该行人的图像。行人重识别作为图像检索的一个分支,在公共安全领域有着极其重要的应用,包括搜索嫌疑人、查找失踪人员、判断目标动向。由于在监控视频中往往很难清晰地捕捉到人脸,因此行人的衣饰、发型、行走姿态等可以作为判别的依据。该技术在过去的几十年中,研究人员通过改进特征提取或度量学习方案,以及增加数据量的方式来提高其识别的准确率。根据行人在多摄像头下出现这一特点,学者们开始研究从不同的摄像头中学习不变特性,用于数据增强。并且随着深度学习的出现,研究方向也开始从传统的手工特征提取方式,转变为使用神经网络来特征提取。但研究的方法众多,这些方法在提出的文献中,使用了不同的数据集、评估指标、实验环境等,使得直接比较这些方法变得十分困难。为了在这一领域获得更加全面的实验结论,本文在最新的行人重识别评测平台基础上,增加了数据增强和多种深度学习的特征提取算法,提出了统一的算法评测平台——DFM平台(Data,Feature and Metric evaluation platform),它结合了目前数据增强方法、特征提取和度量学习的最新进展。DFM平台评测了数据增强、特征提取和度量学习多种有可能的组合,这样的组合实验共计162个。为了保证评测的公平性,所有方法使用统一的代码库实现,并且在两个常用的行人重识别数据集Market1501和DukeMTMC-ReID上进行对比实验。实验结果表明,多种数据增强方式同时对样本进行增强,可以得到较好的效果。此外,实验还表明了,在神经网络提特征技术逐渐强大下,传统基于欧氏距离的度量方法也能得到较好的效果。最后,论文针对实验结果给出了合理的分析与总结,并对后期的研究方向进行了展望。