近些年,随着监控系统的规模逐渐扩大,监控数据急剧增长,仅依赖人工查看和处理不仅耗时较长而且效率十分低下,很难保证全方位的监控,因此能够协同工作的大型监控系统应运而生。但是在实际系统中,不同摄像机拍摄的行人图像存在遮挡以及光照、视角、行人姿势改变等问题,导致相同的目标行人在不同的监控视频中外观差异很大。为了应对这些问题,本文提出了一种基于区域分割与距离融合的行人再识别算法并与深度特性相结合运用到实际的系统中,主要研究工作及创新点如下:1.首先对整体行人图像进行水平方向的区域分割,对分割后的每个水平区域分别提取颜色特征和纹理特征。其次,为了尽量消除遮挡和姿势、视角变化的影响,提出无效区域和有效区域的概念,将有效区域保留,并去除无效区域,从而减小无效区域对行人再识别的影响。2.大多基于视频的行人再识别算法是直接对提取到的各种特征进行级联,没有考虑不同特征之间的差异性,导致学习到的测度矩阵不能很好地表征不同特征的特性。因此,本文提出距离融合的方法,对行人图像的局部特征、时空特征和全局特征单独进行测度学习,得到独立的测度矩阵,最后将通过测度矩阵获得的距离矩阵融合,从而得到最终匹配排名。3.本文设计了一个实际的跨摄像机行人再识别系统,对系统实时检测到的行人图像提取全局的外貌特征并且利用提出的区域分割、无效区域去除的方法提取局部传统特征,然后再利用深度学习的方法提取深度特征,最后利用提出的距离融合将传统特征和深度特征进行融合实现系统的在线预警功能。