行人再识别,是指在多摄像头无重叠域的监控环境中,通过一系列的图像处理和模式识别技术,在多个摄像头下寻找某个感兴趣的目标。但是由于视频监控中的一些限制,如摄像头得到的图像质量,往往像素较低,非近处的人很可能模糊不清,当着装相似时肉眼也难以分辨;又如背景较为复杂,扰动因素多,人物的轮廓不完整,目标不能很好得被识别出来并定位;再如,在不同的摄像头之间的人物进行匹配和再识别的过程中,由于摄像头搭设的位置、角度、环境的差异,导致环境的光照、拍摄人物的视角可能有很大的差异,加之人在不同的情况下动作与姿势的差异,造成很大的外形变化,使得再识别的难度非常之大。而克服这些挑战成了现在研究的难点和重点。本文针对上述挑战性问题,提出了两种具有创新性的应用于行人再识别的算法。首先,本文提出了一种新的基于稀疏编码的行人再识别方法。在特征提取上,本方法融合了不同尺度的特征计算方式,即同时提取条带(stripe-level)和块(patch-level)的尺度上的特征,以获得更多的位置信息;在度量学习上,本文提出了基于字典学习的方法,并将字典分解为相对独立的两部分:视角统一(view-invariant)的共享字典和视角独立(view-specific)的特异字典,以此来更好得刻画对不同摄像头下的光照、角度、人体姿态等具有不变性的特征和足够大的个体差异。在与该领域最优算法的比较中,该方法体现出了明显的提升效果,表明了本文提出方法在特征提取和距离度量两大方面创新性思路的优越性。再者,本文设计了一种深度学习网络算法,该算法是基于人体结构分块信息提取特征的网络结构,并有一种自动学习得到不同区域特征融合方式的机制。不同于常见的损失计算方式,本文提出的算法结合了分类损失和验证损失同时进行损失计算,充分利用了人物标识中包含的信息,也深度挖掘了人体结构区域包含的图像信息。损失计算方法的改进和深度网络区域融合的学习方式,不仅在现有网络的基础上获得了很好的提升效果,这样的思路在非行人再识别的深度学习应用中也有很好的指导意义和拓展性。本文基于稀疏编码的行人再识别方法和基于深度学习网络算法的提出在算法思路设计上都具有创新性,并在充分的实验评测和与当前最优算法的对比中有理有据得说明了本文所提出的两种算法的有效性和优越性,为行人再识别任务的准确率提升起到了一定的推进作用。