随着生物识别技术的不断发展,基于帧的行人重识别技术已经取得优秀的成果。而在基于帧的行人检测和行人重识别任务中,会产生大量低价值的普通样本,使得系统难以获得有意义的样本。本文基于边缘计算设备提出一种改进的基于混合域注意力机制和多重损失函数的行人重识别网络,以提高行人重识别网络的综合性能,并基于Kuhn-Munkres算法和融合特征中心的思想对多行人进行特征匹配和特征提取实现无感式行人重识别系统。本文的主要工作如下:1、提出一种改进的基于混合域注意力机制和多重损失函数的行人重识别网络。针对在计算设备上有限的处理内存和计算能力以及项目实时化的要求,使用全局行人重识别基准线并嵌入一种混合域注意力机制块,同时还提出一组多重损失函数辅助网络进行学习,以较小的计算代价提升网络各方面的性能。最后实验在Market1501和Duke MTMC数据集上表明该改进网络相较于基准线和其他常用行人重识别网络在速度和精确度上都有一定的优势,尤其是在较为困难的Duke MTMC数据集上。2、提出一种基于Kuhn-Munkres算法和特征中心的无感式行人特征提取算法。该算法通过行人检测网络和行人重识别网络获得大量未关联的有时序的行人特征,采用Kuhn-Munkres算法对相邻帧之间的特征进行关联;使用梯度下降算法计算每个身份ID的特征中心代并跟新原检索集中的特征。最后实现无感式的行人特征提取和融合。实验结果显示基于Kuhn-Munkres算法的特征匹配可以有效提高匹配的正确率,使用基于梯度下降的特征中心融合方法可以近一步提高检索时候的准确度。3、设计并实现基于Jetson TX2的无感行人重识别系统。基于上述研究内容和提出的算法作为核心功能模块,使用Mobilenet V2-YOLOV3作为目标检测网络,并增加分布式的特征查询数据库,设计并实现了行人重识别系统。实现了针对特定人流的无感重识别工作。最后通过系统演示验证系统的实用价值。