行人重识别是指凭借提供的待检索行人图像,可以高效地在不同摄像头采集到的图像中检索特定行人。行人重识别广泛应用于智能监控、智能商业领域,是实现低成本、大范围追踪行人的关键技术。同位置的监控摄像头拍摄到的场景在不同时间段光照强度不同,不同位置的摄像头的视角不同,从而导致拍摄到的行人在图像中的大小不相同。并且拍摄到的行人姿态各异,甚至存在行人被部分遮挡的情况。上述因素导致了行人重识别算法模型的识别效果仍不尽人意,难以实现落地。其中,由于摄像头视角差异和行人姿态差异导致的行人不对齐问题,仍是行人重识别算法面临的挑战。因此,针对上述问题,使用深度学习卷积网络作为骨干网络,结合图神经网络理论,开展了基于姿态对齐和基于人体语义解析信息对齐的图度量学习行人重识别算法研究。主要目标在于验证将图卷积网络与行人重识别基准网络结合后,通过引入局部结构信息,能够提升行人重识别的效果。主要研究内容包括以下两个部分:（1）常见的基于局部特征的行人重识别算法在处理行人图像不对齐问题时,往往忽略了局部特征之间的结构,进而影响了模型的识别准确率。针对这一问题,提出了一种基于姿态估计的图度量学习行人重识别算法。在训练阶段,根据行人的姿态关键点构造局部区域,经过等比例映射到行人图像的特征图上获取局部特征,引入人体骨架连接方式构建局部特征的结构图,经过图卷积网络得到结构化的局部特征,并使用图度量学习损失函数对行人图像样本的结构化局部特征进行优化。在测试阶段,结合全局特征和结构化的局部特征形成行人的最终特征,计算行人最终特征之间的余弦距离作为图像之间的相似度,根据相似度从大到小排列得到重识别结果。实验结果表明,使用姿态信息可以对齐行人的身体局部区域。通过引入局部结构关系图,模型可以学习到行人更细节的信息,从而增强了局部特征的表达能力。通过图度量损失函数的优化,模型性能指标m AP值提升明显,证明可以提取到鲁棒性更强的特征。（2）行人图像背景混杂,当局部区域切分粒度太大时容易引入背景噪声,影响了局部特征的表达。针对这一问题,提出了基于人体解析的图度量学习的行人重识别算法。在训练阶段,通过行人图像的二值化掩膜图像与行人图像特征图结合得到局部特征,获取到行人的身体部位信息和属性信息,根据人体语义构建局部关系图,通过图卷积进行局部特征信息的传播和融合,更新局部特征的信息,并使用图度量学习损失函数对行人图像样本的局部特征进行优化。在测试阶段,融合全局特征和结构化局部特征,得到行人的最终特征,并依据行人图像的最终特征之间的余弦相似度从大到小进行排序,得到行人重识别的结果。实验结果表明,基于像素级标注的人体解析结果,可以提取到细粒度的局部特征,减少背景噪声信息对识别精确度的影响。同时,通过引入局部结构信息,增强了局部特征的表达能力,更有助于模型辨别行人。