为了更好地保障公共安全,监控设备越来越多地普及在校园,办公室,火车站和机场等公共场所。行人再识别任务(Person re-identification)就源于多视频监控,它用以判断不重叠的视角中拍摄到的行人是否为同一个目标。近年来,由于人员安全和监控在公共和私人场所的重要性,行人再识别技术已经变成计算机视觉领域中的一个热点问题。本文主要研究基于给定视频的行人再识别算法,以便有效地提取和处理视频序列中行人的信息。为解决多相机视频监控带来的诸如照明变化,视点变化,尺度变化和方向变化等问题,我们使用卷积神经网络(CNN)和循环神经网络(RNN)来共同提取行人的外貌信息和运动信息,从而得到鲁棒的行人特征表示,成功地将外貌信息和运动信息结合到一起。同时,为了衡量两个行人的相似程度,我们利用孪生网络(Siamese Network)同时得到两个行人的特征表示,并通过孪生损失函数(Siamese Loss)评价两个行人的相似程度。其中,孪生损失函数主要用来解决视频间的特征变化(视频间变化)。在此基础上,我们提出行人平均状态的概念,并定义了一个视频帧内损失函数,以缓解同一视频内的时空特征的变化(视频帧内变化)。具体地,行人平均状态捕捉到整个视频序列中行人的变化,并使用该信息以整体的方式来表达一段视频,然后用于和其他行人的视频进行比较。在训练我们提出的网络的过程中,行人平均状态会跟随网络的更新而更新,以得到一个更有效地行人平均状态。视频帧内损失函数通过最小化每个帧与行人平均状态之间的距离来缩小视频帧内变化。我们将行人平均状态,视频帧内损失函数与孪生网络相结合,形成一个新的网络结构,使得网络可以同时减小视频间变化和视频帧内变化,从而提高网络的泛化性和准确率。所提出的方法有如下几个优点:1)我们引入行人平均状态的概念,以整体的方式表达一个视频,从而提取出一个视频内行人的空间信息和时间信息。2)我们定义了一个视频帧内损失函数,尽可能的使一个视频内行人的时空特征变得更加紧凑,从而降低行人匹配时的难度。3)我们将视频帧内损失函数和孪生损失函数结合起来,对网络进行训练,从而提高网络提取特征的有效性。