视频监控系统是城市公共场所一项重要的安防辅助应用,其中,行人的跟踪检索是监控的首要问题,而行人再识别技术则是对行人跟踪检索的重要保障。行人再识别是对于某一特定行人目标通过某一个监控视频事先提取其特征,然后跨越到其他多个监控视频中的搜索技术。行人再识别传统方法的主要思想是先找到具有较强区分性和稳定性的行人特征,使用的特征有颜色、文理、图像块、对称性等,然后寻求一个度量学习函数使得同一个行人之间相似性高、距离小,不同行人间相似性低、距离大。传统方法对每一维特征要手动提取,专一性强,在单一维度上表达更准确,但在特征提取的维度上比较有限,且融合难度大,综合特征表现力较弱。近些年,在计算机视觉比较流行的深度学习也被应用到行人再识别的任务中,行人特征提取和相似度匹配上都较传统方法有很大的提升。本文通过对目前效果比较好的孪生网络进行分析,针对行人运动特征和空间特征的学习问题,把原始的孪生网络拆分出运动网络和空间网络两个模块,让两个网络各自学习对应的模块特征。针对运动特征表现力弱的问题,本文使用比Optical Flow表现效果更好的Epic Flow图,分析行人行走的状态过程,提高描述运动特征的准确性。针对视频帧冗余信息过多的问题,本文使用Epic Flow图筛选出行人的关键帧,去除表现力较差的图像帧,用少量的关键帧提取行人空间特征,缩短网络计算时间。最后使用改进后的孪生模型做训练,选取任意一对行人,分别对这两个人的视频帧作特征提取,同时计算两个特征之间的距离,并以之间的距离作为损失函数,反复学习,获得一个比较好的分类模型。本文主要使用PRID2011和i-LID-VID公开数据集进行实验。实验结果验证了本文改进后的双流孪生网络能够有效地提高行人再识别匹配的准确率。在PRID2011和i-LIDS-VID数据集上Rank-1准确率分别为85.00%和66.67%,比改进前的原有网络分别提高了15.00%和8.67%。