行人再识别是当前计算机视觉研究的热点,也是一个开放研究课题,其在人机交互、安保、监控以及法庭取证等领域有着广泛的应用前景。所以对行人再识别的特征表示和度量学习的研究具有现实应用价值和理论意义。为了提升行人再识别的准确率,本文对行人再识别使用的特征和特征之间的相似度度量进行了研究,主要内容如下:1)现有行人再识别方法或是从行人的整体特征出发,或是从行人部件特征出发进行研究,为了充分利用行人整体特征和部件特征对行人再识别各自具有的优势,提出结合整体特征和部件特征的多部件度量学习方法。该方法首先对整体特征和部件特征进行度量学习,获得多部件的行人相似性表示;然后,按照不同的重要性加权组合来计算两个行人之间的总体相似度;最后,根据相似度进行行人再识别。在PRID2011和VIPe R两个数据集上的实验结果表明,相对于单独使用整体特征和部件特征的方法,提出的多部件度量学习的行人再识别的平均准确率提升了3.0%～9.0%。2)行人再识别方法或是基于颜色特征、纹理特征和兴趣点等特征,或是基于这些特征的融合,这些特征属于低层特征。高层属性特征在假设能够被很好地提取前提下,能显著提升行人再识别的准确率,但是目前无法有效地提取高层属性特征。颜色名称(Color Name)是一种介于低层和高层属性特征之间的中层语义特征,且容易提取。为了更好地利用低层特征和语义特征的信息,提出结合低层特征融合中层语义颜色名称特征的方法,该方法通过获取低层特征和中层语义特征后,根据特征判别性赋予不同的权重将两种特征进行融合,最后用于行人再识别。在VIPe R和PRID2011上的实验结果表明,融合特征的行人再识别的平均准确率有了一定的提升。