行人再识别技术已经被应用在机场、高铁站、校园、商场以及小区等关键区域的监控系统中,与人脸识别严苛的约束相比,基于行人外观的再识别在特征获取和特征表达方面具有更加丰富和便捷的优势。然而,由于行人的非刚性特征,基于外观特征的行人再识别研究在准确性方面与用户的实际需求相差较大,相关研究工作面临着严峻的挑战。高可辨的行人外观特征反映了视频序列中行人图像集合的类间和类内差异度,是提高行人再识别准确性的重要基础。在众多行人外观特征表示方法中,显著区域特征可以有效增强类间特征差异度,同时降低类内特征差异度。此外,研究与应用场景相适应的特征相似度度量方法也是提高行人再识别准确性的关键。本文首先针对静态查询行人图像与未分类行人视频图像集合场景,设计了一种基于静态行人图像显著区域特征博弈匹配的行人再识别算法。其次,针对行人视频的再识别应用场景,设计了两种适用于行人视频图像集合的行人再识别算法:基于显著区域特征聚类的行人图像到视频再识别算法和基于显著区域特征的行人视频匹配算法。通过仿真实验验证,上述三类算法均可有效提高对应应用场景中行人再识别的准确度。本文的主要工作如下:1.基于静态行人图像显著区域特征博弈匹配的行人再识别算法与行人全局特征相比,局部特征具有更强的辨别能力。由于行人显著特征采用行人外观最显著的部分特征进行相似度计算,从而增强了行人特征表示的鲁棒性。尽管如此,现有的行人显著特征由于主要采用相同尺寸子区域划分并计算显著度的方法,算法提取到的显著特征对行人姿态差异、遮挡等因素适应性不高,并且在提取显著特征过程中丢弃了大量的精细特征。针对上述问题,本文设计了一种适用于静态查询行人图像与未分类候选行人图像库场景的点到点行人图像显著区域特征距离计算的再识别算法。该算法首先利用改进的超度量轮廓图提取具有高差异度的行人图像语义区域,并基于全局对照显著性计算策略获取每一语义块的显著度,从而确定行人图像的最显著区域。在显著区域特征相似度计算中,本文首先从查询行人图像和候选图像两个方面计算各自的匹配偏好列表,并将博弈匹配策略引入到查询行人图像偏好列表优化算法中,进一步提高了显著特征相近的非同类行人再识别精确度。2.基于显著区域特征聚类的行人图像到视频再识别算法针对现有行人显著特征提取时间效率低,以及候选行人视频图像库中图像的分类问题,本文首先从每个行人视频段中提取包含行人的矩形图像区域,构造行人视频图像集合并实现分类。在提取行人显著区域特征过程中,算法利用均值漂移算法对行人图像区域进行分割,并结合全局对照显著性计算策略实现了高效的行人显著区域特征提取。在完成聚类行人显著区域特征时,本文通过引入最小二乘对数概率密度梯度的聚类算法,实现了多个行人视频图像混合集合高精确度的分类,从而提高了本文算法的实际应用能力。在特征相似度计算过程中,针对行人图像序列中相同行人存在多张相似图像的问题,本文采用点到集合距离度量学习的方法完成单个行人显著区域特征到显著区域特征集合间的距离度量,设计并实现了静态行人图像与行人视频的相似度计算方法。3.基于显著区域特征的行人视频匹配算法针对现有基于视频特征的行人再识别算法中行人视频特征显著度低的问题,本文设计了一种适用于单个查询行人视频到候选行人视频集合的再识别算法。在算法的实现过程中,本文首先完成视频段中行人图像序列的提取和分类,并通过构造行人图像集的仿射包特征来表示行人视频特征。为了提高行人视频特征的显著度,本文采用超像素分割方法获取行人图像超像素区域集合,并基于边界区域生长策略移除行人图像中背景区域。然后,通过计算所有超像素区域的全局对照显著性确定一组最显著的超像素区域,并基于区域生长策略生成具有语义特征的行人显著区域。与单张行人图像特征相比,对多张行人图像建模可以有效弱化光照、遮挡等不利因素带来的影响,从而更好的表示行人特征。因此,本文通过将行人显著区域特征序列建模为仿射包集,并通过引入对极值特征鲁棒的₁-PCA算法抑制极值特征影响,实现仿射子空间精确估计。最后,基于顶推仿射包特征距离度量学习模型,完成了基于显著区域特征的行人视频特征匹配。