近年来,随着人们安全意识的增强和视频监控技术的发展,行人重识别逐渐成为计算机视觉领域的重要研究方向之一。本文首先介绍目前解决行人重识别问题的两种基本思路,即特征表达的选取和度量方式的设计。将静止图像领域常用的局部最大出现模式(LOMO)特征结合交叉视角的二次判别分析(XQDA)度量方法的算法直接应用于视频数据的行人重识别,虽然能够达到较好的效果,但仍面临着诸多问题。基于此,本文对面向视频的行人重识别算法进行研究,提出了基于时间对齐以及时空对齐的行人重识别算法。基于时间对齐的行人重识别方法在特征提取和度量学习之前加入时间对齐的操作。首先分割并跟踪行人靠下部位超像素,得到行人的运动轨迹曲线;将其与正弦曲线进行拟合选取最优周期,减少噪声对运动轨迹的影响,降低对重复信息的利用;通过对上述周期进行时间对齐的池化操作,消除视频序列帧数不同对距离度量学习的不便,减小行人身体姿态不同所造成的类内间距增大的问题。上述方法仍面临着特征空间对齐不精确以及背景影响的问题,基于时空对齐的行人重识别方法则可克服以上缺陷。该方法首先利用深度分解网络将行人身体分为三个语义区域,在获取行人时间对齐的特征表达时,具体到提取特征这一步,不对整幅图像而是分别对身体各个部分提取特征,并连在一起作为该帧的特征表达。上述操作消除了杂乱背景对行人重识别的不利影响,并对行人身体各部分的特征进行空间对齐,提高特征提取与识别过程的准确性。实验结果证明,加入时间对齐以及空间对齐的操作以后,本文提出的视频行人重识别算法较现有的几种识别算法相比,在识别准确率上有明显提升。