行人再识别是指对不同摄像机视角下的同一行人进行识别匹配的研究。该技术主要应用于智能视频监控系统中,在计算机视觉领域中具有重要的学术意义和应用价值。由于近年来大数据的高速发展和对智能视频分析技术的迫切需要,本文从度量学习出发,重点研究行人再识别中的相似度度量技术,分别从单一模态和跨模态两个角度创新地提出两种不同的方法,有效提高行人再识别的准确率。从基于联合增强局部最大发生特征和k-KISSME度量学习方向出发,针对目前行人再识别中存在的诸多挑战,比如行人间的相似外观、不对齐、视角和光照变化等,以及相同行人在不同特征下进行特征提取时具有度量差异性而造成匹配不准确的问题,本文提出一种联合增强局部最大发生特征和k-KISSME度量学习的行人再识别方法。在特征表示阶段,联合增强局部最大发生特征能够同时获取行人的全局外观特征和局部细节特征。有效的特征表示对光线和视角变化具有强大的鲁棒性,具有判别性的度量学习能够提高行人图像的匹配精度。增强局部最大发生的有效特征表示可以实现行人图像精细细节和整体外观信息的融合,满足人类视觉识别机制;被核化的KISSME度量学习(k-KISSME)方法计算简单高效,只需要对两个逆协方差矩阵进行估计。此外,为了处理光线和视角变化,我们采用Retinex变换和尺度不变纹理描述符。通过在三个广泛使用的数据集中与相关方法对比后的实验结果表明,论文中提出的算法不仅具有丰富的行人特征表示能力,还提高了行人再识别的识别率。从基于跨模态识别角度,围绕如何建立一个能够提取两个不同模态下的行人外观特征表示模型和如何有效地利用两种不同模态下的行人图像外观特征来计算行人之间的相似程度两个问题出发,本文设计了一种基于RGB图像和红外图像的跨模态行人再识别架构。首先,论文构建了一种端到端的双路径多分支跨模态网络模型,该网络利用RGB图像和红外图像之间的固有关系将嵌入表示从一种模态转移到另一种模态。然后,论文引入了多粒度网络(MGN)体系结构来获得具有区别性的跨模态特征表示,通过结合图像的全局信息和局部信息来提高度量学习的表达能力。在最新的SYSU-MM01数据集上的实验结果表明,该方法具有在RGB-IR基准行人再识别数据集上优于现有主流方法性能的优异表现。