行人重识别(Person re-identification),是指给定一个行人样本,在一些大型区域下不同角度摄像头拍摄的照片或视频中查找是否存在该行人的技术。现在行人重识别技术通过和行人检测技术、行人跟踪技术结合来进行实际工作,可被广泛应用在智能视频监控、刑侦、人机交互等领域。摄像头拍摄的行人图片容易受视角、遮挡、光照变化等影响,这些影响加大了行人重识别研究的难度。行人重识别通常的处理方法分为两个步骤:1、设计一个鲁棒的行人特征描述符,让其能长时间反映行人之间的特征差异性;2、利用度量学习或者距离函数的方法进行行人样本之间的相似性度量。本文针对行人重识别特征的鲁棒性问题,从提高行人特征差异性的角度,提出了三种基于度量学习的行人重识别方法。本文的研究内容包括:1、基于单一手工特征的鲁棒性问题,提出了基于度量学习和行人分块特征融合的行人重识别方法。首先利用Retinex增强算法对行人样本进行自适应特征增强,然后通过样本比例算法对行人样本分块,并提取手工特征进行串联融合,再进行一定的特征降维,最后利用KISSME(Keep It Simple and Straightforward)度量学习算法进行行人重识别研究。2、为了更好的反映行人整体的内部特征和增大行人特征之间的差异性,提出了一种基于度量学习和多特征融合的行人重识别方法。采用基于行人底层信息的WHOS(Weighted Histograms of Overlapping Stripes)特征和区块特征进行串联融合,再利用KISSME度量学习算法作为相似性度量来进行行人重识别的研究。3、利用海量数据训练的神经网络提取深度特征比手工特征更能反映行人样本的细节,为了突破手工特征的局限性,提出了一种基于深度度量学习和迁移学习的行人重识别方法。在keras深度学习框架下,首先对ImageNet数据集上预先训练好的VGG16神经网络采用权重迁移和全连接层替换处理,利用扩增的行人数据集和迁移学习的思想对VGG16神经网络的参数进行微调,并选用特定的深度特征层,然后选择XQDA(Cross-view Quadratic Discriminant Analysis)度量学习算法来进行行人重识别研究。本文提出的行人重识别算法在二个公开的行人数据集VIPeR和Market-1501上进行了实验设计和测试,与典型的行人重识别算法进行对比,实验结果表明本文的算法在精确度上有一定的优越性,可以作为基于度量学习的行人重识别实物实验的理论基础,同时可以进一步扩展到行人追踪、行人检测等研究领域,对于人机交互、刑侦等领域有非常重大的意义。