行人再识别作为安防领域重要的课题之一,近些年来受到了广泛的关注。随着深度学习技术在该研究方向的成功应用,该技术得到了迅速的发展。但是,在实际场景中,存在行人遮挡、姿态变化等问题,使得行人在不同摄像头的视域中出现较大的外观差异。为了缓解上述问题,本文着重研究无监督条件下的行人再识别任务,提出一种局部对齐特征算法去减少无关区域干扰。同时,提出了多尺度感知池化特征融合的方法去防止关键信息丢失。不仅如此,本文设计了一个B/S架构智能监控系统将该任务应用于实际场景。本文的核心工作内容展列如下:1.针对行人图像对中普遍存在的遮挡及不对齐问题,本文采用了一种基于特征对齐的无监督学习算法。首先,使用一种动态规划的对齐算法实现精确的局部特征对齐,从而减少行人图像的干扰区域块的影响。然后,提取到图像的全局性表征,来保留行人整体的整体信息。最后,将全局表征和局部对齐表征进行联合,这样既保留整张图像特征的完整性又强化了图像的局部表达能力,从而提升基准方法的性能。2.针对深度学习表征会缺失关键信息的问题,本文提出了一个多感知尺度池化的方法。首先对深度网络的表征进行不同尺度池化,构成一种金字塔池化的分层结构,增强感受野的感知能力。然后将原始表征图和尺度池化结果进行融合。该做法不仅可以丰富图像细节,同时能够利用多种感知区域的方式去减少关键信息缺失,使得网络提取的特征更加鲁棒和有效。3.针对行人再识别的应用实践和价值前景,本文构建一个基于B/S架构的跨视域行人再识别智能监控系统,将算法嵌入到实际的监控系统中从而解决现实场景中的行人再识别问题。