行人再识别是指在无重叠视域多摄像机监控系统中,检索出现在某个摄像机下的行人是否在其他摄像机中再次出现。在实际的视频监控场景中,由于存在摄像机拍摄角度不同、光照变化、遮挡等影响,使得行人再识别面临很大的挑战。本文深入研究基于度量学习的行人再识别方法,针对度量学习中存在的实际应用中样本线性不可分问题,提出基于核的度量学习的方法,通过核方法将线性度量方法扩展为非线性度量学习方法。本文提出了两种行人再识别算法,主要内容如下:⒈针对度量学习中遇到的小样本问题和真实样本线性不可分问题,提出一种基于卡方核的正则化线性判别分析行人再识别算法(KRLDA)。正则化线性判别分析算法(RLDA)利用正则化方法解决类内散度矩阵奇异性,从而降低小样本问题的影响。而KRLDA算法通过卡方核函数将样本从线性不可分的原始特征空间映射到线性可分的高维特征空间,然后在高维空间中构造描述样本之间邻近关系的散度矩阵,最后利用正则化线性判别分析获得高维到低维空间的投影矩阵,使得样本在低维投影子空间仍能保持高维空间的可分性,从而提升分类效果。实验结果表明,在VIPeR数据集上经过核映射后算法识别率最高提升了约10%,其他数据集上也提升了5%以上,且该算法与经典的基于度量学习的行人再识别算法相比效果更好。⒉考虑到不同特征的描述能力的差异,利用多特征子空间的思想,提出一种基于多特征子空间的核正则化线性判别分析行人再识别算法。该算法将两个不同的特征空间分别通过相应的核函数映射到高维线性可分的核空间中,然后在核空间中执行正则化线性判别分析得到两个特征空间的投影矩阵,分别在两个投影特征子空间里计算样本之间的距离得到两个距离度量函数,最后利用权值?将其线性组合得到最终的距离度量函数。在多个数据集上的实验结果验证了算法的有效性且实现并分析了权值?取不同值对算法性能的影响。