行人再识别是一项跨摄像头的行人匹配技术,其目的是在跨视域的候选行人集中检索出目标行人。由于受光照、视角、姿态以及遮挡物等因素的影响,同一行人的外观在不同监控画面下会呈现出很大的差异,这给行人再识别工作带来了巨大的挑战。本文针对行人再识别中的特征描述和重排序两个方面进行了研究,并将相关的研究成果应用在校园场景中,设计了一个行人再识别的原型系统。主要工作如下:(1)为了提高行人特征对光照和姿态变化的鲁棒性,一方面,本文利用了带色彩恢复因子的多尺度视网膜增强算法(MSRCR,Multi-Scale Retinex with Color Restoration)对原始数据进行预处理,该算法通过增强图像中亮度偏暗的区域来丰富图像局部的色彩信息。另一方面,本文通过人体关键点和仿射变换来归一化行人的姿态,并设计了一个深度神经网络模型PIF来提取行人的包含了姿态不变信息的深度特征。相比于手工设计的特征和只考虑了局部姿态对齐后的特征,该模型通过伪孪生的网络结构实现了对原始图像和姿态归一化图像的联合学习,兼顾了全局和局部的深度特征。最后通过在三个公共数据集上进行实验和分析,证明了该方法能够有效缓解光照和姿态因素对行人特征的影响,继而提高了行人特征的表现力和鲁棒性。(2)为了提高行人再识别的排名质量,本文利用了基于图像上下文信息的重排序算法对初始结果进行排序优化。并针对重排序过程中出现噪声的问题,提出了一种基于双向K近邻(K-Nearest Neighbor,KNN)的重排序算法。该算法根据样本对之间的双向KNN关系来计算杰卡德距离,并通过将该距离和初始距离进行加权融合来达到优化排序、提高排名质量的目的。最后通过在两个公共数据集上进行实验和分析,证明了该方法能够有效的降低重排序时出现噪声的概率,继而提高了行人再识别的排名质量。(3)基于上述研究,本文设计了一个校园场景下的行人再识别原型系统。该系统首先通过目标检测算法将行人的边界框从原始视频数据中提取出来。然后依次对行人的边界框进行基于MSRCR的预处理、基于姿态不变的特征提取以及相似性度量。最后利用基于双向KNN的重排序算法对获得的初始排名进行优化,并输出最终的检索结果。最后通过在校园场景下的实际应用,证明了该系统能够有效的完成对目标行人的再识别工作。