近年来,监控视频网络在各个行业得到了广泛的应用,由此产生的海量视频数据仅使用传统人工处理满足不了人们的要求,结合计算机视觉技术的智能监控系统成为解决这一问题的重要途径。作为智能监控系统中的一个重要任务,行人重识别逐渐引起了人们的注意。行人重识别是指对不同相机下的行人图像进行匹配,在不同视频中找到目标行人的过程。研究其相关技术及工程应用具有重要的学术意义和极大的应用价值。为了研究实际监控场景的行人重识别,本文从原始监控录像出发,研究了视频中的运动目标检测及人体检测,结合特征提取与度量学习算法查找目标行人,并搭建行人重识别系统,完成监控视频中的行人重识别工作。本文的主要工作如下:(1)针对传统颜色命名空间(Color Naming,CN)特征计算复杂度高或外观描述不足的问题,提出一种比较简单的CN特征,采取新的非线性策略量化色调、饱和度、明度(Hue,Saturation,Value,HSV)颜色空间,将颜色空间量化为10个等级,用低维向量空间表示高维颜色空间,更好的描述颜色特征。(2)研究并实现了视频中的行人检测算法。首先研究了运动目标检测算法,选用Vibe算法进行检测,得到了运动目标区域,在运动区域进行行人精检,极大的提高了行人检测效率。其次使用改进的可变形部件模型进行行人精检,针对单一梯度方向直方图(Histogram of Oriented Gradient,HOG)特征在描述目标方面的缺陷,将简化的HOG特征与局部二值模式(Local Binary Pattern,LBP)特征进行融合。同时提出自适应权重分配方法,对模型不同的部件赋予不同的权重,使不同部件具有更强的区分性,有效解决了行人遮挡问题。最后针对模型中特征金字塔复杂度高的问题,优化了图像金字塔的构建过程,降低了算法复杂度。通过实验对比,验证了本文算法的优越性。(3)研究并实现了行人重识别算法。首先为了提高检测效率,结合设计的CN颜色特征,通过对比行人上下半身颜色进行行人预识别,缩小待检测目标的范围。其次为了解决传统的简单低级特征融合不能很好解决目标图像因光照、尺度变化导致识别率较低等问题,本文结合中级CN特征和简单高维度的低级特征,融合得到了更具鲁棒性的行人特征。最后通过实验选择最合适的度量学习算法并在多个数据集上进行测试,验证了行人重识别算法的有效性和适用性。最后基于MFC和Opencv开源库设计并搭建面向视频的行人重识别系统。将视频行人检测与行人重识别模块串联在一起,完成图像和简单语义的行人重识别工作。