随着人工智能(Artificial Intelligence)、大数据(Big data)等领域的发展,深度学习在计算机视觉、图像处理、自然语言处理等领域发挥着至关重要的作用。典型的人脸识别应用场景更是极其丰富,例如手机解锁、上班打卡、火车站验票、智能监控等。但有时摄像头无法捕捉到清晰的人脸,在此种情况下一种新的识别算法与系统的研究迫在眉睫。行人重识别作为计算机视觉的一个新兴领域,其与人脸识别有很多相似之处,但不同的是它能够解决人脸无法被捕捉时的识别情景,因此对它的研究有着至关重要的社会价值。行人重识别智能系统从技术领域可以分为行人检测和行人识别两个模块,行人检测是利用行人分类器在输入视频流的每一帧中检测是否存在行人,如果存在则将其标出。而行人识别是将检测出的行人图片采用特殊算法提取特征,提取后的特征与行人特征数据库中的特征进行相似度计算,如果相似度超过一定阈值,那么输出与此行人图片对应的行人ID。本文的主要工作有:(1)采用深度学习当前最热门的PyTorch框架训练和实现算法模型。行人检测部分采用当前较为高效的YOLOv3模型,行人重识别部分采用当前识别率较高的PCB模型。并将两者结合实现了一套包含前后台的行人重识别智能系统。(2)为了增加模型的鲁棒性,降低环境对识别结果的影响,训练时本文整合了当前三个主流的大型行人重识别数据集,并使用CycleGAN对抗生成网络迁移了不同摄像头拍摄的图片风格,最终制作出了一个融合数据集。本文工作大大增加了PCB模型的训练数据量以及训练后模型的精度。(3)为了简化监控设备的管理,加速监控视频的传输速率,本文发明了一个基于树莓派的行人识别处理终端,它能够在视频传输前对图像进行压缩以及缓存处理,同时通过内部植入程序能够很好的对监控设备进行管控。此终端成功申请了实用新型专利。