行人重新识别的目的是从多个摄像机捕获的图像集合中检索特定行人目标。随着视频监控系统的广泛部署,个人身份识别在安全和智能城市中有着广泛的应用。但在现实监控系统应用中,遮挡问题仍然是影响Re-ID准确度的重要因素。针对Re-ID研究中的遮挡问题,本文提出了一种基于姿态估计与特征对齐的Re-ID方法。网络主要包括姿态校正模块PCM、特征重构模块FRM和部件对齐模块PAM,具体内容如下:1.构建了姿态校正模块PCM针对遮挡导致行人信息的丢失,并且引入无意义特征的问题,设计了姿态校正模块PCM。在特征匹配阶段之前,姿态校正模块PCM通过关键点的非线性学习来调整置信权重,提高非遮挡区域中关键点的置信度,同时抑制遮挡区域中的关键点响应。此外,利用校正后的关键点来引导网络提取非遮挡区域的特征。首先,在关键点检测分支中加入编码器网络,其次通过人体姿态估计模型输出的关键点热力图和本文设计的损失函数,判断行人目标是否存在遮挡情况。然后,根据联合损失函数的损失值自适应地调整行人各部分的可见性权重。最后,根据权重校正行人各部位的关键点置信值,引导特征提取网络学习行人特征,以减少遮挡噪声的干扰。2.设计了特征重构模块FRM与部件对齐模块PAM针对特征匹配阶段,网络无法消除匹配区域内背景特征和行人尺度不一致问题而导致的干扰,设计了特征重构模块FRM与部件对齐模块PAM。在FRM中提出了一种分离域间和类域特征的机制,它通过改变特征提取网络的特征分布距离,使两个特征提取分支分别关注背景和前景行人特征,抑制背景干扰。PAM中设计了人体拓扑特征和全局语义特征的两阶段多尺度融合策略。第一阶段中利用骨骼关键点动态地划分特征边界,然后通过外积投影的方式提取不同尺度的局部和全局特征。接着,将骨骼关键点进行全局最大池化后与全局语义特征进行第二阶段的特征融合。融合后的特征向量不仅包含目标行人的语义特征信息,还包含人体的拓扑信息,以消除尺度或姿态不一致带来的噪声干扰,增强了模型在不同粒度的区域内对行人有效特征信息的发掘能力。3.设计并实现行人重识别智能监控系统在所提研究模型的基础上设计并实现了行人重识别智能监控系统。系统设计遵循业务分层原则,实现了智能处理、人机交互、安全控制、媒体服务和数据管理五大功能模块,满足了遮挡场景下行人重识别系统的实际应用需求。