随着智能视频监控的发展,个体再识别技术受到越来越多的关注,该技术主要应用于刑侦、智能寻人等领域。目前,大多数个体再识别研究主要是基于图像(包括深度学习),但是图像的可提取信息有限。对此,本文提出基于视频的个体再识别研究方法,主要从基于视频的个体外观特征表达、个体运动特征表达以及个体再识别距离度量模型三方面展开研究。个体外观特征表示。针对不同摄像机下行人受到光照影响导致外观改变的问题以及寻找一种合适的方法表示视频中丰富的纹理特征。本文将Lab颜色特征和时空纹理特征相结合,对Lab颜色特征从每个帧采样中提取直方图,结合时空纹理特征,采用局部平均直方图来表达个体外观特征。通过Top-push距离度量模型的相似性度量,验证结合后的特征与单独的特征表示效果。个体时空特征表示。为解决视频匹配中时间错位问题,同时保留个体运动中所有可能的动态信息。本文在空间金字塔模型基础上根据时序金字塔和空间金字塔得到时空金字塔特征序列,该方法通过加强金字塔匹配核及其空间扩展所激发的时序金字塔结构来丰富对人物特征的表示,更接近于实际场景。通过Top-push距离度量模型进行相似性度量,验证时空金字塔特征的匹配结果。个体再识别距离度量模型。对基于视频的个体再识别研究,个体不仅有相似的外观特征也可能有相似的运动特征,因此需要更强的约束。针对该问题,本文将Top-push思想引入到马氏距离度量学习算法中,通过寻找一个潜在的特征空间来最大化不同个体之间的差异,从而优化个体再识别的排名。本文在PRID2011和iLIDS-VID两个数据集上进行实验,并与不同的特征提取方法及不同模型比较,得到了较好的实验结果。