行人重识别技术旨在从不同的摄像机所拍到的场景中识别出属于某一个人的所有图像,是智能视频监控研究领域的重要分支,在当前计算机视觉领域是发展迅速但仍亟待改进的课题。受到拍摄的不同视角、光照和尺度的影响,行人图像的姿势、颜色和轮廓等特征差别较大,如何提高行人图像的重识别率仍然是巨大的挑战。本文针对行人图像的特点,提出了基于度量学习和稀疏表示的行人重识别算法。在特征提取阶段,本文在稠密尺度不变特征(dense SIFT)的基础上提出了一种统计稠密尺度不变特征(statistical dense SIFT,sd SIFT)描述行人图像的纹理结构,并将sd SIFT与分条带的加权联合颜色直方图和方向梯度直方图相结合,构成了一套新的行人图像特征描述子。该描述子集成了颜色和纹理描述行人图像特征,克服了不同的视角、光照和尺度等视觉影响。然后,本文提出了一种将度量学习和稀疏表示方法相结合的特征距离排序方式,形成了新的行人匹配方法框架。在该框架中,我们通过以下三个步骤实现行人图像的特征距离排序:(1)采用马氏距离度量学习的方法,根据马氏距离中度量矩阵的半正定性质对提取的行人图像特征进行转换得到新的特征;(2)将新特征融入稀疏模型中评估测试样本和字典之间的相似性;(3)利用迭代稀疏系数重加权的方式,对数据集中具有非零稀疏系数的个体根据标准重构误差进行排序。该方法利用马氏距离度量对行人重识别的特征空间进行转换,提高了分类的准确度,另外结合迭代重加权稀疏排序从全局上保证了分类的有效性。本文在PRID 450s和CAVIAR4REID数据集上进行了实验设计和测试。实验结果表明,与目前已有的算法相比,在PRID 450s和CAVIAR4REID数据集上本文算法在CMC曲线、rank-1、AUC值这几项指标上均表现出更好的性能,其中rank-1比目前已有的先进算法提高约5%,证明了本文算法的有效性。