行人再识别是计算机视觉领域一个重要的研究方向,目的是在视角不重叠的摄像机捕获的行人图像中识别同一个行人,在安全监控领域有着广阔的应用前景。近几年深度学习技术极大的推动了行人再识别的发展,在计算机视觉领域引起了广泛的关注。为了充分利用行人再识别图像中的信息,提高行人再识别的准确率,本文提出了一种基于空间和通道注意力机制的行人再识别方法。在空间注意力模型中,基于非局部均值滤波操作的思想,对于图像中的每一个像素,在计算其输出时,不是仅仅只和相邻区域内的像素进行计算,而是计算该像素与图像中所有位置像素的相关性。将各个位置之间的相关性作为关系权重,通过计算所有位置的加权平均值,获得表示图片中各个位置注意力响应的空间注意力矩阵,捕获位置之间的空间依赖性。在通道注意力模型中,通过同时使用全局平均池化和全局最大池化操作来聚合特征地图的空间信息,去除空间维度的相关性,通过瓶颈结构捕获各个通道之间的依赖性,并给每个通道都增加一个权重,用计算得到的权重来表示该通道的重要程度,增强行人的特征表示能力。本文在网络的最后设计了特征向量提取模块,将两种不同的特征结合,得到泛化能力更好的特征向量。除此之外,本文还融合了全局特征和局部特征,分别学习整个行人图像的整体属性和局部区域内最有辨别力的特征。本文在 Market1501、DukeMTMC-reID 和 CUHK03 三个行人再识别的公共数据集上进行了多组实验,实验结果表明本文的方法相比于当前最先进的一些方法取得了更优的性能,网络中各个模块的有效性也在对比实验中得到了证明。