行人重识别（Person Re-Identification,re-id）是指利用计算机视觉技术在指定视频或图片序列中对特定行人进行识别的技术,通常被认为是图像分类或图像检索的子问题。作为跨摄像头行人轨迹跟踪、行人行为识别等机器视觉方案的核心构成,行人重识别技术在园区安防、公安刑侦、交通纠违与公共安全等领域展现出广阔的应用前景。在实际应用中,因受到前景遮挡、背景噪声、行人姿态的非刚性形变以及光照变化等诸多外在因素影响,当前行人重识别任务依然面临着巨大的挑战。现有行人重识别方法大多基于图像视觉信息进行分类,一方面缺乏对于语义信息的进一步挖掘与充分利用,另一方面忽略了不同模态的信息交互。本文围绕行人重识别研究领域的多项关键问题进行系统深入的研究,对关系特征潜力发掘、颜色特征过度依赖、遮挡算法缺乏通用性、注意力模型训练困难等问题展开探索,取得成果如下:1.提出一种基于局部-全局关联特征关系信息挖掘的行人重识别方法。区别于专注获取局部图像细节特征进行检索的方式,本文对不同语义分区特征间的隐藏关联展开推理,以挖掘对行人识别结果存在因果关联的关键关系信息,并针对其核心网络模块设计展开深入探讨。该方法利用全局特征的全局感受野特性将其与特定图像区域表征进行叠加,手动构建不同粒度下的成对的关联特征对,实现不同语义分区下多粒度特征关联。通过局部图像上下文感知及“局部-整体”特征对构建,驱动模型对不同粒度特征间关联信息展开推理,进一步挖掘对分类结果至关重要的深层次关系信息,以克服传统基于局部特征的re-id方法在关系表示构建方面的不足。全局图像区域覆盖加局部显著特征补充的做法,也在一定程度上缓解了由于姿态变化、遮挡、错误剪裁而导致的关键点不对齐问题。2.针对深度re-id模型过度依赖颜色表征问题,提出了一种颜色通道控制非局部注意力网络,用于加强多分支网络框架下基于关系感知的颜色鲁棒特征学习。该网络通过原始图像样本与通道调整图像样本的成对输入,人为加入颜色扰动信息,有效增强了非局部注意力模型获取对颜色鲁棒特征的能力。此外,该方法提供了一种一致性约束下的训练数据增强方法,通过对颜色通道的随机调整及通道调换进行数据集增扩。该方法可部分模拟行人在不同光照条件下表现以及不同摄像机之间的颜色偏好差异,增强模型最终表征对颜色的鲁棒性,有效提升了深度学习模型泛化能力。3.针对遮挡行人重识别场景,提出了一种人体姿态信息引导的局部特征融合模型,通过对原始图像表征与包含姿态估计信息表征在不同粒度进行融合以获得良好的最终特征表示。该模型通过融合姿态估计先验信息的特征与常规图像特征在不同粒度上的结合,协同考虑了不同网络分支在共享图像区域内所存在显性响应关联,通过引入外部监督信号完成独立分支先验标签差异化构建,以进一步基于人体可见区域图像表示进行关系推理与特征学习。实验表明该方法不仅在遮挡行人重识别数据集上取得了优异的性能,在常规的非遮挡行人行重识别数据集上同样达到了有竞争力的水平。4.提出一种姿态估计信息引导的半监督行人重识别网络模型。针对基于注意力的行人重识别模型缺乏结构化约束、训练困难的问题,该模型利用融合姿态估计信息的特征对输入样本高响应行人可见图像区域进行标注,通过教师-学生双网络监督模式,在统一深度学习框架下实现深层语义信息与注意力特征的协同学习与表达。通过外部监督信号驱动注意力聚类,模型根据已有语义特征分区推理出显著图像表征规律,有效增强了基于注意力的行人重识别模型在稀疏特征样本分布下获取高判别性特征的能力。