行人再识别(Person Re-identification,Person Re-ID)是智能视频监控系统的关键环节,它利用行人视觉和运动信息,将单相机视频监控扩展为多相机协同视频分析,从而实现多相机非重叠区域下的行人目标匹配。然而多相机网络提供丰富监控信息的同时,不同相机间还存在视图差异,如何在繁复视频数据中提取有效的行人特征,并克服视图差异进行判别性相似度匹配是行人再识别的主要研究方向。该文则从视频行人目标特征提取和特征匹配两个角度出发,对该问题展开进一步探索。第一,针对表观特征不能提供行人运动信息从而限制特征表现力的问题,构建时空表观特征结和跨视图二次判别分析的行人再识别模型。该算法首先设计适用于行人的时空梯度方向直方图HOG3D特征,结合颜色直方图和纹理表观特征,构成时空表观特征描述符;然后采用在简单且直接的经典度量学习(Keep It Simple and Straight Metric Learning,KISSME)算法基础上改进的跨视图二次判别分析算法实现度量学习,最后进行特征相似度度量和排序以完成再识别过程。第二,针对由于相机参数不同导致的特征视图差异较大的问题,研究结合边际Fisher分析(Marginal Fisher Analysis,MFA)的相机相关特征增强方法。该算法在提取行人时空表观特征基础上,首先利用不同相机下采集的行人数据学习相机相关度函数,然后基于感知相关度进一步结合MFA算法对行人的不同视图特征进行自适应特征增强,实现相机视图共性和视图特性间判别性特征的联合表示,最后进行欧式距离计算和排序。第三,针对手工特征不能全面地表征行人本质信息,从而难以应对剧烈光照、姿势变化的问题,设计一种行人卷积神经网络(Convolutional Neural Network,CNN)特征提取方法。首先基于在图像数据集ILSVRC 2012中训练完备的卷积神经网络AlexNet卷积层的特征图,提取响应强度直方图和序数直方图,然后将两者融合构成可靠的CNN特征描述符,在此基础上结合相机相关特征增强等不同度量方法,验证CNN特征的有效性及普适性。