随着“平安城市”、“智慧城市”等项目的发展,对实际场景中的行人进行再识别的任务变得日益繁重,行人再识别已经成为智能图像分析领域的研究热点。监控视频中行人数量巨大,若仅仅依靠人工对海量视频中的数据进行排查,容易产生遗漏且效率低下。因此,引入深度学习方法来分析目标人物的图像数据,突破了行人数据集实时性处理的瓶颈。但是,这些方法大多是基于行人低层视觉特征或中层属性语义特征,并没有考虑到行人的外观易受穿着、部分遮挡、姿态、拍摄角度等因素影响,监控视域中也可能存在一个或者多个相似的目标行人,影响识别。针对这些问题,本文进行了更深入地研究,提出了基于姿态的属性学习并行化方法,主要内容如下:(1)提出了基于姿态信息的属性多样化行人再识别方法。针对现有行人再识别方法对行人姿态信息研究的缺失,该方法提出将行人的姿态信息融入行人属性范畴之中,对行人的姿态进行划分,减少姿态对行人特征的遮挡、对身体各个属性的影响。首先,获取行人十四个关节点图像,将各点图像与关节点整体图像作为输入,进行行人细粒度姿态特征的学习。然后,通过对比粗、细粒度的姿态输入以及模型在目标数据集上的姿态分类效果,确定其中一种粒度作为最终姿态学习模型的输入。最后,将获得的姿态标签融入属性多样化学习过程,从而建立了一种新的属性学习模型。实验结果表明该方法利用卷积神经网络对行人的多样属性进行学习,不仅优化了行人属性的分类效果,同时也提高了行人再识别研究的识别准确率。(2)提出了基于属性与并行化梯度下降算法的行人再识别方法。针对行人属性学习过程缺乏对属性类别的研究,以及复杂的网络计算带来参数交换瓶颈等问题,该方法提出了基于行人姿态信息与属性多样化建立并行化结构。首先,将行人按照身体结构进行有重叠分割,避免了由于分割导致的属性缺失。然后,建立六层并行网络模型,将五个分块数据与行人图像同时作为训练的目标,解决计算缓慢的问题。最后,提出参数交换周期来加速网络训练,建立六个从节点和一个主参数服务器。此外,在训练中采用动量修正与自适应学习率相结合的方式。解决了以往参数训练难以适应数据集的特性、学习率不合适造成收敛过程不稳定等问题。实验结果表明该方法在不影响行人再识别准确率的前提下,提升了网络训练速度。(3)设计并实现了姿态信息和属性相结合的行人再识别原型系统。针对本文提出方法,进行模块化设计,实现了姿态信息和属性相结合的行人再识别原型系统。将上述姿态、属性学习作为核心模块,另外还包括图像输入模块、有目标行人模块、无目标行人模块、识别结果模块,并通过实验验证了该系统的可行性和实用性。