行人重识别也被称为行人再识别或重验证,是判断来自非重叠摄像头所拍摄到的行人是否为同一个行人的技术。基于行人重识别的智能分析成为智能监控系统研究领域中的重点,由于摄像头监控场景的复杂性,使得行人重识别问题仍然具有极大的挑战:(1)在不同摄像机视角下,相同行人图像存在姿势差异、光照变化、背景杂波,遮挡等问题,导致在复杂的监控场景使得相同行人的外貌特征表现出极大的不相似性。(2)现有的大多数方法关注,不同行人往往表现出极大的相似性,导致现有技术的识别率较低。本文研究的主要内容如下:(1)将度量学习的思想引入到字典学习中,设计了一种投影变换与字典学习相集成的联合学习模型,让相同行人的距离更近。该模型能同时实现原始特征的低维映射与判别字典的学习,从而达到度量学习与字典学习优点相集成的目的。(2)为充分挖掘标记样本的标签信息,提出在字典学习模型中引入标签一致性约束项,构建了分类器、投影变换与判别字典联合学习模型,设计了身份标签与编码系数相集成的行人相似性度量方案。(3)设计了一种拉伸正则项来有效降低不同行人之间表现出的相似性,通过优化行人图像在字典下编码系数的解空间,从而使具有相似外貌特征的行人之间具有较大的距离。本文所提方法在数据集VIPeR,PRID450s,PRID2011,GMUL-GRID上,实验结果表明本文提出的方法相对于传统方法具有更高的识别性能。