行人再识别就是在无重叠多摄像机监控系统中,匹配不同摄像机视域中的行人目标。行人再识别过程中存在着光照变化,视角变化,行人姿态变化等问题,甚至包括恶劣天气的影响,使得行人再识别遇到了很大的挑战。本文就针对这些问题进行相关的研究:(1)由于不同的摄像头捕获的行人图片之间存在着视角、光照和尺度等差异。对此提出了基于支持样本间接匹配的行人再识别方法。该算法首先分别提取不同摄像头下的支持样本,当对来自两个不同摄像头的行人图片进行匹配时,基于欧氏距离并且利用支持样本分别求出该行人图片在对应摄像头下的行人类别,最后通过类别的对比是否相同来判断是否为同一行人。这样就避免了不同摄像头下行人图片直接进行匹配,从根本上绕过了不同摄像头之间的视角、光照和尺度差异所带来的影响。(2)行人再识别过程中除了有光照、视角等因素的影响。现实环境中存在着更难的挑战。如在雾霾天气中,大量的行人细节信息丢失,对行人匹配带来巨大的挑战,是行人再识别中最为严重问题之一。针对来自于雾霾恶劣天气的影响,采用了基于暗通道和距离学习的行人再识别方法。先利用暗通道先验知识的方法对图像去雾,再用局部最大特征和距离学习的算法对去雾图片进行行人再识别。(3)随着深度学习在计算机视觉和模式识别领域的应用越来越多,不少研究者也将深度学习应用到行人再识别当中。他们利用深度学习来提取相比于传统方法更加复杂而有效的特征,然而这些特征都是基于颜色、纹理等低级的特征,由于光照、视角等因素的影响使得不同行人之间的这些低级特征非常的相似,此时就很难进行区分。通过研究发现,行人的属性特征可以有效的区分这些相似的行人。本文着重研究将属性特征和CNN提取的低维特征相结合的方法来进行行人再识别。采用Coupled Clusters Loss(耦合集群损失函数)训练方法将两个特征训练网络相结合,并将结合的特征映射到欧式空间,并且利用L2距离就可以计算任意行人之间的距离,从而判断是否为同一个行人,由此形成端到端的基于深度学习的行人再识别网络框架。