行人重识别是行人检测与识别在跨镜追踪研究方面的引申研究方向,其研究成果更贴近现实生活需求。不同于单摄像机行人识别,跨镜追踪由于其不连贯性为识别带来了更多难度,因此本文基于多尺度特征融合的孪生生成对抗网络对行人重识别算法进行了一些整合研究,取得了一定的研究成果。本文详述了行人重识别技术在深度学习方向的技术研究与具体实现。首先,针对当前研究态势为不断更新深度网络设计,或在深度网络上增加网络模块,从而使得网络深度加大,计算成本增加等问题,提出了在残差网络中加入SE(Squeeze and Excitation)模块,利用其先压缩后激励的方法对特征通道进行选择性的增强与抑制,以提高行人重识别精度;同时将浅层特征提取模块提取的特征与深层特征提取模块提取的特征相融合,删除最高维特征提取模块,以删除整个模块的方式降低模型计算量,减小网络层数,节省计算成本。其次,针对卷积核大小不同对网络运算速度及时间消耗的影响做了详细对比试验,找到了平衡时间消耗与计算量、准确率的最佳参数值。对于将人体姿态估计模型与多尺度特征提取相融合的方法,首先分别将正负样本对输入到孪生生成对抗网络中,孪生网络的两个分支分别对正负样本对进行如下操作:使用人体姿态估计模型进行姿态预估,根据其姿态进行躯体部位分割,然后针对各躯体部位进行局部特征提取,并对输入图片中检测到的可疑目标行人进行全局特征提取,然后使用多尺度特征融合方法,将局部行人特征与全局行人特征加权融合。再将融合特征提取完毕后输入生成对抗网络中进行图片生成,最后由判别器判别正负样本对生成的图片是否来自同一行人。通过上述实验对比发现,对于本实验模型,将第一模块与第三模块提取的特征相结合,并删去第四模块,同时卷积核为7时,特征提取对于重识别的准确度提升影响最高。而将人体姿态估计与多尺度特征融合用于特征提取确实可以突出细节特征,从而使得生成对抗网络生成的图片更加逼真,最终使得行人重识别算法精度有所提高。总体而言,本文在对行人重识别技术在经典深度网络上的应用做了部分改进的同时,对前沿技术进行了一些取长补短的融合实验,为将来的研究工作进行了理论与实践意义上的铺垫。