监控视频下无重叠视域行人再识别是指在监控网络中,给定当前摄像头视角一个行人的图片或视频,在其他摄像头视角所拍摄的图像库或视频库中,匹配对应的同一行人。该技术能够提升执法人员的取证效率,同时也为后续的诸如可疑行为检测、跨摄像头行人跟踪和不良事件预测等高级监控任务打下基础。然而,由于行人同时具有刚性物体和非刚性物体的特性,且外观很容易受到光照、姿态、摄像头成像条件、视点变化以及遮挡等因素的影响,导致监控视频下无重叠视域行人再识别成为一个具有很大挑战性的难题。因此,如何设计出高效、鲁棒的行人再识别算法,成为了当下科研界的关注点之一。本文对监控视频下无重叠视域行人再识别技术进行了探索与分析,主要研究成果包含以下三个方面:(1)针对行人再识别中由于外观差异不显著导致特征描述不准确的问题,提出了一种基于双向参考集(Bidirectional Reference Set)矩阵度量学习的行人再识别算法。首先通过互近邻算法获得每个摄像头下的互近邻参考集,为保证参考集的鲁棒性,联合考虑各摄像头下的互近邻参考集获得双向参考集。通过双向参考集挖掘出困难样本进行特征描述,最后利用该特征描述进行矩阵度量学习以获得更高的行人再识别率。(2)针对行人再识别中数据的不充分导致极不稳定的数据分布的问题,在顶推度量学习的基础上提出一种约束更严格的基于正则化包(Regularized Hull)度量学习的视频行人再识别算法。首先将行人的视频特征表示成归一化仿射特征空间里的点,并在该空间里将行人的特征点扩充成归一化仿射包。每两个包生成一对归一化最近邻点对,用于计算类间距离和类内距离。然后,利用修正后的类间和类内距离模型进行顶推度量学习进行行人再识别。(3)针对单纯依靠待检索行人与候选集行人间的视觉内容信息容易引入大量错误匹配的问题,提出一种基于动态联合图匹配(Dynamic Hybrid Graph Matching,DHGM)的无监督视频行人再识别算法,该算法采用了一种新颖的用于图匹配的联合考虑内容信息和上下文信息的动态联合模型。该模型首先通过马氏距离度量得到视觉内容不相似度,根据相似度得到样本的得分排序,得出样本的双向近邻。随后,利用扩展操作将双向近邻扩充,得到最终的双向近邻集合,并通过杰拉德距离度量得到上下文不相似度。最后,联合视觉内容和上下文不相似度以得到更准确的不相似度描述。