发展新型智慧城市是国家重要战略,以构建“城市大脑”为核心的新一代智能化设施为基础,打造安全和便捷的智慧生活。城市中海量摄像头与监控视频数据的分析和高效利用是实现新型智慧城市的核心关键之一。本文主要针对视频中最关键的行人进行重识别,即在一个非重叠视域的多摄像头网络采集的视频中,搜索匹配给定的目标行人图像,用于跨摄像头的行人分析、检索和追踪,是实现智慧城市和智能安防的核心技术,已成为计算机视觉领域的研究热点。但是,在复杂的实际场景中,视频中的行人存在遮挡、分辨率低、姿态视角差异大等问题,难以有效提取具有辨识度的特征;而且,在新场景下,获取带标注的数据需要耗费大量精力,难以实现大规模应用。因此,本文重点研究了行人重识别问题中行人图像的特征学习和利用无监督聚类方法的行人重识别技术,学习行人图像中具有区分性的特征和解决实际应用时数据标注难题,旨在建立高效可行的行人重识别方法。主要研究成果如下:(1)提出了一种基于注意力机制的多粒度特征融合行人重识别方法,用于解决行人重识别问题中行人图像的全局和局部特征的学习问题。首先,在深度学习网络中应用注意力机制,使用卷积注意力模块,同时学习通道注意力和空间注意力自适应地提取行人图像特征;然后,应用多分支网络,对行人图像同时提取全局特征、中粒度特征和细粒度特征;最后,将其多粒度特征进行融合以更好地利用行人全局和局部信息,得到最终的鲁棒性高和适应性强的行人图像特征。在Market-1501和Duke MTMC-re ID数据库上取得了较大的性能提升,表明了注意力机制和多粒度特征融合在行人图像特征学习上的有效性。(2)提出了一种基于多尺度特征融合和多任务学习的行人重识别方法,以利用行人图像的多尺度信息提高行人重识别问题的精度。首先,利用高分辨率网络HRNet对行人图像提取特征,采用并行多分支交叉的深度网络结构,既学习图像的低分辨率特征,又保留高分辨率特征;然后,在不同分辨率特征分支之间进行信息交换,并通过多尺度特征融合利用图像的多尺度信息;最后,在网络优化时,应用分类任务和度量学习任务进行多任务联合学习优化,以更好地学习特征空间映射。在Market-1501和Duke MTMC-re ID两个公开数据集上的实验证明采用HRNet网络进行多尺度特征融合和多任务学习方式在行人重识别问题上的良好性能。(3)提出了一种基于信息熵指导的层次聚类无监督行人重识别方法,用于解决行人重识别问题中行人标注数据困难的问题。首先,针对自底向上的层次聚类,应用信息熵指导的Renyi信息熵距离准则度量两个类簇之间的距离,在类簇合并时,选择合并Renyi信息熵距离最小的类簇,以充分利用每个类簇中数据的信息;然后,引入中心损失,度量类内元素与聚类中心的距离,以使同类数据更加聚合。最后,迭代进行层次聚类过程和特征提取过程以优化。在Market-1501和Duke MTMC-re ID数据集上进行实验,结果证明基于Renyi信息熵的距离准则和中心损失的使用对层次聚类无监督行人重识别方法提升显著。