跨摄像机行人再识别(person re-identification,re-ID)是指对于某个摄像机下出现的某个行人,在其他与之无重叠视域的摄像机中,将该目标行人再次识别出来。该问题是对目标进行跨摄像机追踪的关键基础,是目前模式识别和计算机视觉领域的研究热点。本文对行人再识别中图像间的距离度量问题进行了深入研究,从多度量学习、跨视角分析和排序优化等几个方面出发,提出了新的度量学习算法,并将其应用在行人再识别任务中,主要的研究成果及贡献包括:(1)提出了一种基于等距映射的局部Fisher判别分析的度量学习算法为了有效地度量行人图像间的相似度,本文在局部Fisher判别分析(LFDA)算法的基础上,针对其受线性约束和容易过拟合的不足,假设行人数据分布在非线性流形上,并寻求一个投影方向将原始特征向量映射到一个新的低维空间中,在投影过程中保持流形结构(等距映射)。将等距映射项与LFDA的目标函数通过线性加权结合起来,设计一种新的Fisher准则,使得求得的投影方向不仅在最大化数据类间散度的同时保证类内散度的最小化,并且可以有效保持原始特征空间的流形结构。等距映射项可以作为一个有效的正则项,缓解类内散度矩阵的奇异性,从而减轻过拟合风险。(2)提出了一种基于查询图像自适应权重和多任务学习的多度量学习算法主流的度量学习算法大都是通过将不同模态的特征进行级联,学习一个单一的度量矩阵,忽略了每种特征的本质属性,不能有效地利用每种特征的判别能力。因此本文提出了一种多度量学习算法,分别对不同模态的特征进行度量学习,最终的度量矩阵表示为多个度量矩阵的加权和。此外本文研究了如何在多度量学习中为不同的特征分配权重,提出了一种两步权重学习策略,首先根据不同的查询图像中每种特征的判别能力,自适应地为不同的特征空间分配权重。然后将每个特征空间内的再识别看作一个单独的排序任务,对所有的特征空间同时进行多任务权重学习。该算法能有效利用不同模态的特征的分类能力,并可以动态地决定每种特征在最终距离计算中的贡献,实验结果表明它能显著提高行人再识别的准确率。(3)提出了一种基于自训练的半监督跨视角子空间学习算法行人再识别中一个关键问题在于如何对行人进行跨视角的身份匹配,确认不同视角下拍摄到的行人图像是否属于同一人。典型相关分析(CCA)是探索两组数据间关系的有力工具,但CCA需要对行人的身份标签进行人工标注,才可将不同视角下的同一行人的图像进行关联。而人工标注非常耗时且不可靠,因此本文提出了一种基于自训练的半监督子空间学习算法,首先利用有限的有标签样本学习一个初始投影方向,然后将其余的无标签样本用此投影方向映射到一个低维子空间中,用此空间中的最近邻关系构建样本的伪成对关系,并将这种伪成对关系转化为图拉普拉斯正则项,与CCA算法结合,学习一个新的投影方向。这个过程迭代进行,直到伪成对关系不再变化。该算法在半监督实验中取得了优越的性能,只需要标注少量训练样本,即可取得与全监督算法相当的准确率。(4)提出了一种基于上下文相似性和内容互相相似性的重排序算法重排序算法可以利用初始排序列表中的各种信息对该初始列表进行进一步的调整优化,进一步提高行人再识别的准确率。但现有的重排序算法计算复杂度普遍较大,且算法性能不稳定。因此本文提出了一种全新的轻量级重排序算法,其基本思想是真正属于同一行人的不同图像的邻域中应该有很多共同的重复元素,而且二者在彼此的排序列表中都应该位置靠前。具体来说,首先构建查询图像和候选图像集的扩展交叉邻域,然后分别计算二者交叉邻域中元素的重复程度(上下文相似度)和二者在彼此的排序列表中的位置(内容互相相似度)。用这种新的相似度分数对初始排序列表进行调整优化,可以发现更多正确匹配结果,减轻虚假匹配造成的影响,算法简洁轻便,且对准确率有明显、鲁棒的提升。