行人重识别是指判断出现在不同监控摄像头下的行人是否为同一行人,该技术可应用于行人检索、行人跟踪等领域,具有广泛的实用价值。随着监控摄像头在公共场所的普及,行人重识别技术在实际中将会有越来越多的应用,未来将会是计算机视觉领域的一个研究热点。近年来,深度学习在计算机视觉的诸多领域中取得显著效果,因此,逐渐也有研究将深度学习应用于行人重识别问题。本文即关注将深度学习技术应用于行人重识别领域的方法。行人重识别问题包括两个部分,一个是行人特征提取,另一个是距离度量。目前,有研究设计端到端的框架,将两个部分结合到一起,对于两张行人图像,直接输出其相似性。但该方法不适用于大规模的在线检索,因为该方法要求检索图像逐张与库中图像计算相似度。因此,在本文中我们仅考虑应用深度学习提取特征,在获得图像特征后,我们可以采用倒排等方法加快检索速度。常用的深度学习模型有两类:分类模型和孪生网络模型。其中分类模型受到目前行人重识别数据集较小的限制,难以得到充分的训练。孪生网络模型包括图像对模型和三元组模型,该类模型虽然一定程度上解决了数据集较小的问题,但是没有充分利用图像的标签信息。同时,目前孪生网络的训练样本多采用离线生成的方式,这可能导致训练中存在大量对网络学习无效的图像对或三元组。基于上述提出的问题,本文开展了以下工作:1.本文提出采用融合分类损失和三元组损失两种损失函数的网络结构进行特征学习,两种损失函数的融合充分利用了数据集的标签信息以及图像对的相似性信息,使得在数据集较小的情况下也可以获得有效的具有区分性的行人特征。同时,本文中采用了改进的三元组损失函数,在计算损失时,通过在线的方式选择训练样本,充分利用一个mini-batch下的所有图像对,相比传统的三元组损失函数,训练效果更优。2.设计了面向监控视频的行人重识别系统。考虑行人重识别数据集较小,限制了深度学习模型的泛化能力,使得其在面对实际应用中多变的环境时识别效果减弱,而手工特征则不会受到数据集的影响,因此,本文提出在实际应用中采用将深度特征和手工特征相结合的方法。同时,本文中关注以单张图片作输入进行检索的方法,因此,我们在系统中加入查询扩展来改善检索结果。本文的研究关注在实际中可应用的行人重识别技术,通过简单有效的方法改善行人重识别的效果,对于将行人重识别技术应用于行人检索等实际问题中具有一定参考价值。