随着智慧城市的建设和人们对公共场所安全问题的重视,大量的监控摄像头被安置在各种公共场所保障我们的安全。广泛普及的监控摄像头提供了大量的视频信息,如何在这些视频信息中快速有效的识别特定目标人物才是充分发挥摄像头监控作用的关键。行人再识别是判断出两个视野域不重叠的监控摄像头拍摄的行人是否为同一行人,主要通过行人的综合信息来识别行人,不需要行人主动配合,具有很大的研究价值。现阶段,研究者对行人再识别技术的研究主要有两类,一类是基于单帧图像的行人再识别,一类是基于视频的行人再识别,与单帧图像相比,视频中行人图像序列包含的行人信息更丰富、更全面,因此基于视频的行人再识别在实际场所中有更大的应用价值和应用需要。为了能更准确的对比不同视频中行人整体特征,本文提出基于局部表征学习的视频行人再识别方法研究与实现。实现过程包括:首先使用残差-循环神经网络提取行人时空特征,再利用局部特征描述子表征行人时空特征,得到自动对齐的行人全局特征计算不同视频中行人之间的距离判断是否为同一行人。针对视频中行人时空特征的提取,本文在现有的卷积神经网络-循环神经网络结构中沿用卷积神经网络部分,使用本文提出的残差-循环神经网络优化循环神经网络提取行人时空特征。残差-循环神经网络是在循环神经网络结构中,通过不同时刻输入层与隐藏层之间的捷径连接构成残差结构,将在时间序列上展开的深层循环神经网络转化为浅层网络的集合,优化网络的性能,提取出更能表示行人的时空特征。针对不同视频中行人姿态等不同问题,本文利用局部特征描述子表征行人特征,得到在整体模型上对齐的行人特征。由于局部特征描述子是通过网络训练学习到的描述行人局部共性特征的集合,通过相同的局部共性特征集合表征不同视频中的行人,得到的是自动对齐的行人表征向量。本文在常用的视频行人再识别数据集PRID 2011和iLIDS-VID上进行了大量对比实验,实验显示本文提出的视频行人再识别方法取得很好地实验结果,而且实现过程简单,容易操作。