行人再识别作为智能视频监控分析的关键任务之一,可以自动的对来自多个摄像头视角下的行人图像进行匹配。行人再识别已经被广泛的用于安全监控、行人追踪和犯罪侦查等。正是由于行人再识别技术在实际中的广泛应用前景,行人再识别现已成为计算机视觉领域研究热点。虽然已经取得很多的研究进展,但由于摄像头监控场景的复杂性,使得行人再识别技术仍然面临极大的挑战。在实际中,由于不同监控区域的差异性和经济的因素,使得不同的摄像机是非连续的,且监控的区域也不相互重叠的。因此,这会对行人再识别任务造成困难,如:(1)在不同摄像机视角下,相同行人图像存在行人姿势、光照发生剧烈变化、背景杂波,遮挡等问题,使得相同行人的外貌特征表现出极大的不相似性。(2)现有的大多数行人再识别方法更多的关注于同一行人在不同视角下的相似性,忽略了不同视角下不同行人之间的相似性成分对识别算法的影响,然而,这些成分恰恰是行人相似性的主要体现者,是降低识别率的根本原因。本文针对上述提出的两个方面问题进行了相关性研究,并取得一些研究成果如下:(1)为了解决(1)中的问题,本文提出基于顶端距离规则映射和字典学习的行人再识别方法。通过投影矩阵将字典的编码稀疏映射到一个判别空间,使得在不同摄像机视角下,相同行人的距离变得更近,并同时提高字典的判别能力。此外,通过距离列表得到训练样本中所有相似距离对。最后,一个顶端距离规则映射正则项被引入到字典和映射矩阵联合学习的框架中,在优化目标函数解空间的同时进一步提高字典和映射矩阵的判别能力。考虑到实际情况,并将所设计的字典学习模型推广到多视角。(2)针对上述(2)中,在不同摄像机视角下,不同行人所展现的相似性降低识别性能问题,本文提出一种基于共享与特有成分分离的行人再识别方法。由于行人均由反映其相似性的共享成分以及身份唯一性的特有成分构成。因此我们提出通过剔除特征的共享成分,来降低行人视觉之间的歧义性。为此,本文提出一种共享与特有成分字典联合学习框架,并引入同一行人特有成分在特有字典下编码系数的距离与相干约束项,迫使相同行人具有相似的编码系数,不同行人具有较弱的相干性;此外,针对共享字典与特有成分字典,分别引入低秩与稀疏约束项来提升其表达能力及其判别性。