在当前社会生活中,信息安全和智能安防越来越凸显其价值,是维护社会长治久安的重要手段。随着公共场所中监控摄像头数量的增多,大型分布式视频监控系统覆盖了城市越来越多的区域,面对海量的视频监控数据,传统人工的视频分析方法遭遇瓶颈,智能化监控视频分析系统也亟需优化和升级,为了更好地解决这些问题,行人重识别技术(Person Re-identification)应运而生,短时间内便成为了智能安防领域的研究热点。随着深度学习在人工智能领域的飞速发展,行人重识别技术逐渐从传统人工设计特征的方法转变为使用深度学习方法进行研究。针对现实生活场景中行人姿态多变、遮挡现象频繁发生的问题,本文使用深度学习方法对行人重识别技术进行了探究,提出了一个有效的解决方案,本文主要的工作内容和创新之处如下:1.提出了一种基于硬性注意力机制(hard attention)的局部特征提取方法。该方法能够从输入的行人图像中提取到更加精细的人体部件特征。首先,通过姿态估计工具对行人进行关节点定位,将行人身体进行局部区域划分。然后,将硬性注意力模块应用到人体局部区域,通过硬性注意力学习,可以在人体局部特征图上定位潜在具有判别力的区域,提取到更加精细的人体部件特征。该方法能够排除与识别无关的背景噪声干扰,同时在一定程度上缓解了人体相邻部件之间的遮挡问题。2.提出了一种基于软性注意力机制(soft attention)的全局特征提取方法。该方法能够排除背景噪声干扰,同时提取到像素级的全局特征。该方法使用卷积神经网络提取行人全局特征,同时引入了软性注意力模块进行特征表示的重新校正。软性注意力模块由空间注意力和通道注意力两部分组成,本文以并行的方式同时对空间注意力和通道注意力进行建模,并且与多种串行结构方法进行了实验对比。这种软性注意力学习旨在选择行人图像中细粒度的重要像素,将网络的注意力尽可能多的集中在行人身上,减轻了背景噪声干扰。3.综上所述,本文提出了一种高效、轻量级的基于混合注意力感知的特征融合网络(Hybrid Attention-aware Feature Fusion Network,HAF~2N),该网络通过将局部和全局特征融合,形成了行人描述符,并以此来区分不同行人身份。本文在三个大型公开数据集Market-1501、DukeMTMC-ReID、CUHK03-NP上与大量行人重识别先进方法进行了实验对比,并且具体分析了实验结果。同时,本文对特征融合网络HAF~2N的各个组成部分进行了消融实验分析。广泛的实验证明了本文提出的网络模型的鲁棒性和高效性。