因其实用价值与研究价值,行人再识别吸引了大量研究者的兴趣。行人再识别技术是从图像搜索领域独立出来的一个研究分支。行人再识别技术在追踪嫌疑人、搜寻失踪人口、人员行为分析等方面能够发挥重要作用,在“平安城市”建设中具有不可或缺的地位,在安防、刑侦、维护公众安全等方面具有非常重要的社会意义和经济意义。行人属性特征是人类在识别行人时非常重要的高层语义信息。在智能视频监控中,行人属性识别起着至关重要的作用,可以方便地对人员进行检索。在行人再识别任务中,行人属性识别可以帮助模型寻找到更加精细的特征表达,从而提升行人再识别的性能。探究属性与行人身份相结合用以提升行人再识别性能的方法,首先,从最简单的多任务学习方法开始,将行人再识别任务和属性信息通过最简单最直接的方式进行结合。基于多任务学习的方法只考虑了行人属性与行人身份之间具有相关性,但没有考虑如何相关和相关程度。观察发现,不同属性对行人身份信息的重要性不同。基于此,进一步提出了一种全新的基于属性挖掘与推理(AMR)的行人再识别框架,利用图卷积网络(GCN)的方式结合属性信息的行人再识别任务。在该框架中,为了加强属性特征的表达能力,设计了利用注意力机制的多分支空间通道注意力集成(MBSCAE)模块提取每个属性的特征。通过空间注意力和通道注意力两种方式,MBSCAE模块既可以将属性在特征图上进行定位,又可以有效挖掘与属性关联程度更高的通道特征。此外,空间注意力模型和通道注意力模型都由多组并行的分支集成得到,从而进一步提升网络性能。最后,利用图卷积网络的语义推理和信息传递功能,AMR可以实现属性特征与行人特征之间的关系挖掘和推理,获得表达能力更强的行人特征。在行人再识别任务常用的DukeMTMC-ReID和Market-1501两个数据库进行实验。实验结果表明,AMR方法在现有的行人再识别方法中处于顶尖水平。将Market-1501数据集上训练的模型,迁移到CUHK03进行实验。实验结果表明,AMR方法具有很好的泛化能力。