随着人工智能和计算机视觉的快速发展,视频监控技术逐渐成为学术研究和应用的热点,无重叠视域下的行人再识别任务是视频监控系统中的重点研究内容,在刑事侦查、智能交通、行人跟踪和搜寻等方面有着重要的应用价值。由于摄像机安装位置场所多变,使得所拍摄的行人图像背景复杂多变,同时受到摄像机视角的变化和行人姿态多变等各方面的影响,所以行人再识别技术的研究面对诸多挑战。因而,如何建立一套识别性能高,对以上的影响因素鲁棒的识别方法,已经引起越来越多的研究学者关注。本文重点针对监控行人图像的特征提取及度量学习与重排序方法来展开行人再识别技术研究,主要完成了以下研究工作:(1)在比较颜色特征、若干种纹理特征、VGG16网络深度特征、SIFT描述子等多种不同特征的基础上,研究了一种基于人体部位的粗分块特征提取方法。首先,对行人图像利用Retinex算法进行预处理与尺寸归一化,再按照头部、上半身和下半身三个部位以比例分成块,提取这些分块图像的LOMO特征;然后,利用XQDA度量学习算法分别根据每个部位学习距离矩阵,最后加权融合三个部位得到最后的匹配距离。实验结果表明基于人体部位的粗分块特征提取方法与基于整体行人图像的特征相比,可获得更高的识别性能。(2)提出了一种基于划分聚类的重排序方法。首先,采用K均值聚类算法将训练集中行人图像进行聚类,获取聚类中心;然后利用XQDA度量学习算法计算待查询行人样本到聚类中心的距离,获取测试集的基于聚类中心的距离矩阵;最后,利用基于聚类中心的距离矩阵加权修正原始匹配距离。在三个公开小样本行人图像数据集上进行实验,结果表明基于划分聚类的重排序方法与初始排序结果相比,对提高行人再识别性能具有明显的效果。(3)研究了粗分块特征与聚类重排序融合的行人再识别方法。首先,提取不同人体部位的LOMO特征;再对各个部位的分块特征分别进行XQDA度量学习训练并做加权处理获得原始综合匹配距离矩阵,同时对整体行人图像的LOMO特征通过K均值聚类获取聚类中心,并计算基于聚类中心的距离矩阵;最后,利用基于聚类中心的距离矩阵加权修正原始综合匹配距离,得到最终检索排序。在三个公开小样本行人图像数据集上实验结果表明,本文所提出基于人体部位粗分块特征与基于划分聚类的重排序方法,与其它同类型行人再识别方法的结果相比,能够有效提升小样本数据集的行人再识别任务的识别性能。