行人搜索(Person search)旨在从由多个监控录像拍摄的视频图像中进行行人身份匹配。由于在安防系统中发挥的重大作用,对行人身份的识别研究在科研界和学术界得到了广泛的关注。然而,现有技术研究中使用的图片数据均是通过手动的人工裁剪及标注或者通过检测器检测及标注之后得到的。在实际应用中,我们往往很难得到类似的图片数据。目前行人检测与行人再识别是作为两个独立的研究领域分别进行探索的,由于室外环境的复杂性,导致目前的行人检测算法在实际应用时表现得并不十分成熟,而在行人再识别中直接用标准标注图片作为基础数据库图像,势必会产生很多精度的问题。为了使技术的研究更接近实际应用,我们考虑将行人检测与行人再识别进行综合研究,提出了两种分别基于联合框架和分别框架的行人搜索算法。本文的主要贡献如下:1、提出了一种在联合框架下的基于层间卷积融合和行人锚框优化的行人搜索算法。针对数据集中同一个行人图像在光照等方面存在的差异问题,首先对数据集图像进行了光照预处理。整体网络架构包括基础网络、检测网络和识别网络三部分。检测网络以Faster R-CNN算法为基本结构,进行了层间特征融合与行人锚框优化。层间特征融合采取Resnet50网络中多个不同卷积块的输出来特征图融合的方式,优化对小目标的检测效果。行人锚框优化时,先是对数据集中行人检测框的尺寸和比例进行了统计学统计,并通过概率比对分析,设计了更适合于行人检测的检测框。然后针对NMS算法中对重叠检测框的暴力删除造成的漏检现象,引入Soft-NMS算法通过置信度的方式来降低漏检率。最后在识别网络采用了聚合残差变换的方式来减少参数的训练。在两个数据集上的验证结果优于较多算法。2、提出了一种在分离框架下的基于图像风格学习和局部特征响应的行人搜索算法。首先使用Faster R-CNN进行行人检测,先使用训练集将网络参数训练好,然后对测试集图像进行检测,记录每张图像的检测结果。其次对训练集行人,按照原始数据标注进行裁剪,对测试集行人,按照检测结果进行裁剪。最后将裁剪后的行人送入识别网络中。为了降低由多镜头带来的拍摄差异性,通过学习图像拍摄风格差异进行图像转换,然后采用对图像的多级局部特征响应的方式进行行人再识别,并使用三元组损失函数和分类损失对网络模型进行监督。算法同样在CUHK-SYSU和PRW两个数据集上进行训练与测试,实验证明了该算法的有效性和可行性。