行人再识别技术作为计算机视觉领域的重要研究课题,它可以形象地理解为在不同的监控摄像头下检索相同的行人。随着互联网的高速发展,监控网络渐渐覆盖到生活的方方面面,大量的图片数据需要处理,由此行人再识别技术被人们广泛关注。尽管目前行人再识别性能有所提高,但现有的方法通常依赖于这样一个假设,即要查询的人和图库图像都拥有相同的服装。虽然这个假设确实适用于许多现有的Re-ID数据集,但如果数据经过很长时间的聚合,同样衣服的假设就不成立了,因为人们倾向于每天换衣服。对许多行人再识别方法而言,跨图像改变个人的衣服会导致性能严重下降。由于行人再识别广泛使用的数据集中缺乏同一身份的服装变化,服装依赖问题在之前的工作中很少受到关注。为了克服以往工作的局限性,并确认目前Re-ID方法的服装依赖问题,收集一个包含服装变化的新数据集是一个选择。然而,这可能会导致隐私的伦理问题,一些现有的数据集如DukeMTMC因此被暂停。为了解决目前Re-ID方法的服装依赖问题,需要一个数据集来进行评估。生成对抗网络作为免费的数据集增强的方法进入人们视角。同时现有的行人再识别方法大多被训练成只关注匹配衣服的颜色,而忽略了其他与身份相关的线索,如体型。仍然由服装颜色信息主导,无法实现换衣情况下的行人再识别。针对于本文展开研究,具体工作如下:1、本文基于生成对抗网络进行数据增强,将行人再识别模块和生成对抗网络中的数据生成模块相互关联搭建了统一的学习框架。由此进行数据集增强,合成一个包含服装变化的行人数据集。一般来说,开发这个合成的数据集是为了评估现有的最先进的方法在换衣服的场景中的弱点。为了实现上述目标,本文引入一个生成模块,其中编码器将每个行人图像分解为两个潜在空间:外观空间,主要编码外观和其他身份相关的语义;结构空间,包含几何和位置相关的结构信息以及其他附加变化的结构空间。本章通过转换图像之间的外观和结构代码来实现图像生成。无论是具有相同/不同身份的成对图片都可以运用操作代码来生成实际的和不同的内部/交叉标记组成的图片。同时本文对比了现在先进的数据增强方法,实验结果表明,本文合成的数据集更具真实性和多样性。2、本文提出了一个颜色不可知形状提取网络来解决服装依赖问题,该问题通过对抗性学习和结构解纠缠来学习身体结构视觉表征。特别是,利用RGB图像产生的灰度图像来获得在服装颜色变化中相同分布的视觉特征。此外,提出的模型在观察具有姿态变化的灰度和RGB图像时,通过执行图像恢复来实现结构提取。该网络运用跨颜色变化的对抗学习策略,用于推导体型特征和跨姿势变化的图像生成,以实现体型解纠缠。通过对抗性学习和特征分离来产生不受服装颜色或图案影响的体型特征表示。同时在4个数据集上的定量和定性结果验证了目前行人再识别方法的不足以及本文方法的有效性及泛化能力,4个数据集（两个基准行人再识别数据集、一个跨模态行人再识别数据集以及合成数据集）的定量和定性结果证实了该方法对几种最先进的方法的鲁棒性和优越性。其中合成数据集就是通过数据增强得到的数据集,主要用来评估现有方法的不足以及用来证明本文方法的有效性。