近年来,随着智能视频监控技术的发展,无重叠视域多摄像机行人再识别问题成为了该领域的一个研究热点。该问题主要解决的任务是：某个被摄像机捕捉到的特定行人,当其在另一具有无重叠视域的摄像机中再次出现时,监控系统能够自动地识别标记出该行人。此问题的解决主要存在以下几个难点：光照变化的干扰,时空信息的缺失以及行人姿态的多样性。本文提出了一种基于不同摄像机下行人外表多种特征建模的方法来解决行人再识别问题。论文的主要工作及贡献集中在下面几个方面：1.在针对不同摄像机间建立关系模型方面,提出了松弛边界分量分析(Relaxed Margin Components Analysis, RMCA)距离测度学习方法。结合单帧行人库以及多帧行人库中样本点周围的异类样本点远多于同类样本点的数据分布情况,在最大边界近邻(Large Margin Nearest Neighbors, LMNN)算法的基础上,重新定义了“边界”函数使之能够根据数据分布灵活可调。算法能够在仅使用简单颜色特征的条件下具有良好的再识别效果,并且收敛速度快。2.提出一种基于核映射的松弛边界分量分析(Kernel RMCA, KRMCA)算法。考虑到在高维空间中样本数据更为可分,本文借助核函数(Kernel Function)将行人样本特征映射入高维空间再使用RMCA算法进行建模。最后,针对几种常用的核函数进行分析讨论,得出最为适合本文所使用行人特征表达的JS(Jensen-Shannon)核函数。实验结果表明,与RMCA算法相比,KRMCA算法进一步提升了再识别的准确率。3.提出一种多特征结合的行人再识别方法。为了实现不同特征贡献度的自适应选择,结合多核学习(Multiple Kernels Learning, MKL)的思想,进一步将KRMCA算法改造为多核松弛边界分量分析算法(Multiple Kernels RMCA, MKRMCA)。之后在MKRMCA算法的基础上提出一种新颖的核宽度参数选择算法,能够实现核宽度参数的自适应生成。实验结果表明,该方法能够进一步提升了再识别的准确率,特别是CMC中前几位排名的占有率。