行人重识别是指跨摄像头场景下的行人识别与检索,是计算机视觉中的热门研究领域之一。近几年,研究者充分利用计算机视觉和深度学习技术,极大地提升了行人重识别的性能。但在实际应用场景中,由于视角的改变、遮挡的问题以及姿态的多变性等使得行人重识别的研究仍具有极大地挑战性。因此,如何在跨视角场景下获取高准确性、高鲁棒性的判别特征是行人重识别的研究重点。本文以基于姿态对齐的行人重识别算法为研究基础,重点研究了行人重识别算法中的深层卷积网络在行人特征提取方面的改进,提出了基于注意力机制的行人重识别和基于聚合转换深度神经网络的行人重识别算法。具体内容如下:(1)基于注意力机制的行人重识别:FD-GAN(姿态引导的特征蒸馏对抗网络)中骨干网络ResNet50的bottleneck单元最后采用了简单的加和操作,缺乏对特征的选择能力。针对此问题,本文对其引入注意力机制模块,提出了基于注意力机制的行人重识别。通过对通道域和空间域的学习获取特征的注意力掩码,来进行特征的自适应学习,增强有用信息并抑制无用信息。此外网络中的注意力机制与生成式对抗网络可从不同角度对编码器进行辅助训练,在排除姿态等冗余特征的同时,获得与行人图像ID较高的特征表征。我们的网络在Market1501数据集上,top-1达到了91.4%,mAP达到了79.1%,相比于FD-GAN算法提升了0.9个百分点和1.4个百分点。(2)基于聚合转换深度神经网络的行人重识别。为了进一步提升行人特征的鲁棒性,我们将聚合转换深度神经网络ResNeXt50引入到上文基于注意力机制的行人重识别中,提出了基于聚合转换深度神经网络的行人重识别。相比于深度残差网络ResNet50,改进后的聚合转换深度神经网络ResNeXt50结合了Inception的split-transform-merge策略,并通过对基数(cardinality,即一组转换的数量)的调整,在不增加网络宽度和深度的基础上,提升了识别结果。我们利用这一优势,对模型做出改进,进一步增加了模型的准确度。在Market1501数据集上,Rank-1精度达到了91.7%。