随着现代社会的发展,行人重识别在智能监控系统、预防犯罪、刑侦取证、机场安保、国防安全、边境管制等安全领域有着广泛应用。在不同场景数据域之间分布不一致的情况下,把在一个域上训练的行人重识别模型应用到新的域上,由于不同场景下拍摄角度、人物姿态和光照环境等的影响,导致模型性能表现不理想。本文受迁移学习、域自适应、多任务学习、深度神经网络以及最大均值差异等方法的启发,提出基于无监督跨域自适应行人重识别研究方法,本文的研究内容如下:1.提出一种基于域不变特征的域鉴别网络,有效解决跨域特征选择。首先,根据行人重识别的任务特点对卷积神经网络Res Net-50进行架构更新,在网络模型中添加共享组件和私有组件,根据复杂多变行人数据集对网络参数进行设置。其次,在网络模型中添加分类损失、重建损失、对比损失和差异损失组件提高模型分类性能。最后,利用网络模型共享空间组件得到域不变特征。该网络可以有效提取不同域之间的域不变特征,更适于解决跨域行人重识别问题。2.提出一种基于特征选择的域自适应算法,解决跨域行人重识别特征迁移问题。该算法在假设源域和目标域存在共享特征空间的前提下,先利用不相关源域中的辅助标记图像信息,通过网络模型,学习提取标记源域和未标记目标域的域不变特征的能力。然后再按照域自适应的思想,把训练好的网络模型应用于新的数据域进行域不变特征选择,执行跨域行人重识别。该算法能够适应不同数据集场景,具有较强的鲁棒性。3.提出一种基于多任务中级不变特征对齐网络,解决跨域行人重识别源域和目标域同时训练问题。首先,根据行人重识别的行人类别标记对卷积神经网络Res Net-50进行网络参数调整。其次,利用多任务学习方式联合训练得到用于身份分类和属性识别的监督分类损耗,同时也获得基于属性特征的适应损耗和基于中级不变特征的自适应损耗。最后,将网络模型中包含的中级特征映射作为隐性属性,在假定的共享特征空间下对网络模型进行联合训练,同时学习源域和目标域的中级不变特征。4.提出一种基于MMD度量学习的域自适应算法,以解决源域和目标域间属性特征的分布距离过大的问题。本方法在假设网络模型共享中层潜在空间的前提下,先通过监督分类学习获得属性特征;其次使用MMD来计算每个属性的特征分布距离,通过计算源域和目标域间属性特征的最小分布距离来实现域自适应。该算法更好地解决了跨域自适应问题,在识别准确度上有明显改善。