随着视频监控系统的大量应用,基于图像的行人重识别具有重要的价值。在各种复杂环境下,尤其是遮挡环境下,进行行人重识别是一项充满挑战的任务。遮挡行人重识别任务面临的主要挑战是外部物体遮挡、人体自遮挡和身体各部分视角变化。有效地解决这些因素带来的问题,对于遮挡行人重识别任务而言,具有重要意义。论文介绍了基于传统方法提取的行人特征,如LBP、SIFT、LOMO等,也介绍了常用的基于深度学习提取的行人特征,如网格化的2D局部特征、身体部件的2D局部特征等,并进行了分析。论文将3D信息引入行人特征,通过3D人体表征网络获取3D姿态和人体外形参数,然后将3D姿态、人体外形参数和2D局部特征融合,得到3D局部特征。该局部特征不仅包含图像的视觉特征,还包含了人体的3D空间位置和体态特征。通过将3D局部特征经过图卷积特征融合网络进行基于人体骨骼邻接矩阵的关节点间的特征融合,论文将基于3D信息的行人特征用于遮挡环境下的行人重识别,并在Occluded-Duke数据集上进行实验,Rank-1达到58.7%,比经典的姿态引导特征对齐（Pose-Guided Feature Alignment,PGFA）网络提高了7.3%。论文提出了感知区域和感知区域掩码的概念。感知区域掩码用来表征人体在不同状态下的可见性,可用来编码遮挡和视角变化状态下的可见区域。论文提出了基于感知区域掩码的特征学习方法,该方法通过行人重识别训练过程中的弱监督学习得到可解释的区域化特征。该区域化特征隐含了感知区域信息,能有效应对遮挡和视角变化问题。论文还提出了基于感知区域掩码的特征匹配方法,不同于一般的行人特征匹配流程,该方法利用感知区域掩码将行人状态从行人特征中剥离出来,使得行人特征不受遮挡和视角变化等因素的影响。在特征匹配时,通过获取两张待匹配图像共有的感知区域掩码,利用加权的方法确定行人特征中用于匹配的共有部分特征。综合上述设计,并结合基于3D信息的行人特征,该方法在Occluded-Duke数据集上的Rank-1达到了61.4%,相比PGFA网络,提升了10%。