社会安全如今越来越受到人们的重视,摄像头作为维护社会治安的重要工具已经遍布在我们周围。行人再识别就是基于摄像头发展而来的一门研究技术,即在不同摄像头拍摄的画面中找出同一个人。行人再识别主要应用于刑事侦查,寻找走丢的老人、小孩,甚至可以在商场中对人们的购物行为进行分析。本文的工作抛弃在海量监控视频中进行查找的人工过程,采用了端到端的深度学习过程,省去了大量的时间和精力。本文通过研究一些经典的行人再识别技术,在深度神经网络上进行以下三点改进:(1)在数据处理阶段,运用了一种新的数据增强技术。不同于在图像中进行裁剪、平移等传统数据增强技术,本文采用了在图像中进行随机遮挡的方法,无论是在图片中的位置还是遮挡位置的大小均为随机。该方法不仅可以减少过拟合现象,也能更好地模拟出目标被遮挡的情况,增强网络的泛化能力。(2)在网络训练阶段,本文对第一个全连接层进行了去相关的操作。全连接层权重向量的相关性对模型的性能存在影响,本文对这些权重矩阵进行了奇异值矩阵分解操作,然后使用一个左酉矩阵和一个奇异值矩阵来代替原矩阵,但是这样无法直接提高网络的性能,本文还采取了一种先固定正交层参数训练然后整体训练的松紧迭代训练方法。(3)在网络的测试阶段,本文采用了互k重排序的方法。在基于欧式距离的初始排序中,往往包含了错误匹配,本文在初始排序的基础上采用了更严格的重排序方法——两张图片必须在彼此排序的前k个图片中。为了方便计算,本文将互k特征编码为向量形式,并赋予了不同的图片以不同的权重值。本文的工作在Market-1501和CUHK03数据集上进行实验,取得了不错的效果。在Market-1501数据集上将Rank-1准确率提高至86.75%,将mAP提高至80.44%;在CUHK03数据集上将Rank-1准确率提高至49.23%,将mAP提高至50.54%。