行人再识别也称行人重识别,是利用计算机视觉技术判断图像或者视频序列中是否存在特定行人的技术,广泛被认为是一个图像检索的子问题。具体地说,人为给定一个监控行人图像,并检索相机网络中的该行人所有图片。其目的旨在弥补当前固定的单一摄像头的视觉局限,并可与行人检测/行人跟踪技术相结合,可广泛应用于智能视频监控、智能安保等领域,如利用相机网络抓捕嫌犯和搜索失踪人员。由于行人兼具刚性和柔性的特性,抓获的图像中行人外观易受穿着、尺度、遮挡、姿态和视角等影响,特征空间往往不能很好区分行人之间的差异。另外,如何利用相同行人特征之间的联系进行正确的匹配,也是研究的重点。本文为提升行人再识别的匹配效果展开了一系列研究,研究成果如下:(1)研究了一种非对称投影字典学习算法,该算法采用了 listwise相似性以及身份一致性约束字典。在学习字典过程中,我们考虑了行人图片之间的相似性,并主动赋予相同行人的身份标签,这样特征以及身份信息被有效利用,将进一步提高字典的辨别能力。此外,我们还采用非对称投影字典来映射行人特征,使其在统一的子空间下进行字典学习,使其来自不同视角的相同行人之间的联系可以达到最大化。最后我们在不同的数据集上采取融合余弦相似性和欧氏距离的方法来验证我们实验结果的有效性。(2)目前大多数算法通过添加约束项来提高辨别力。为进一步优化字典,我们从字典的本身构造上进行研究。若字典为正定矩阵,更容易求得全局优化解,我们称这样的字典为自编码字典。具体地说,自编码字典采用了分析编码的机制。通过进一步改善自编码字典,使其为一个正定矩阵,保证局部最优解即为全局最优解。并从视角上考虑将自编码字典学习用于行人再识别中,不但从时间复杂度上减小了计算压力,相比其他方法相比,我们所提出的方法也提高了识别率。(3)对于大样本数据,稀疏表示会存在特征冗余度较高的问题,因此我们采用卷积特征、行人身份识别层损失函数和Center Loss一同训练神经网络,使不同视角下相同行人之间的距离达到最小,可有效解决这个问题。通过实验验证,我们所提出的方法与大部分方法相比效果更好。