监控视角下人物识别是智能安防领域内重点研究方向,高效准确的人物识别算法能在公安刑侦等需要追踪特定目标的场景中发挥重要作用。然而监控摄像头拍摄的图片带有复杂的背景信息及噪声干扰,造成传统人物识别方法无法有效识别。深度学习方法相比传统人物识别方法在行人目标检测和识别领域在准确性以及鲁棒性上存在很大提升。因此,基于深度学习的人物识别方法引发大量关注。本文从卷积网络结构,排序损失以及身份损失等三个方面对单模态行人重识别以及跨模态行人重识别的人物识别算法进行改进。改进方法在行人重识别数据集实验中相比原有方法在精度上均有提升。同时本文基于深度学习方法设计一套监控视角下人物识别系统,为智能安防项目提供一套可行方案。本文主要工作如下:(1)提出了基于表征学习的中层特征扩展方法,缓解了单模态行人重识别中卷积网络模型对训练数据集过拟合问题。本文对卷积网络模型进行改造,在骨干网络基础上抽取中层特征进行分组池化操作后,将其与高层特征拼接输出。实验证明所提方法可以有效提升模型泛化能力,提高人物识别精度。(2)提出了基于度量学习的跨模态行人重识别训练框架,改善了光线较差情况下无法有效识别行人的问题。本文使用双流结构分别提取不同模态的行人图片,并对特征提取模块进行改造。在改造网络结构的基础上,本文提出跨模态双流困难三元组损失函数改进排序损失提升训练效果,以及使用焦点损失替代传统身份损失提升困难样本在训练中的学习权重。上述三种方法在Reg DB数据集上进行实验并取得优异成绩。(3)搭建了一套监控视角下人物识别系统,验证了深度学习算法用于智能安防项目的可行性。系统搭建在多摄像头拍摄的室内环境中,使用YOLOv3目标识别算法和多重识别算法分别进行行人目标检测和人物识别。为了保证系统有效运行,本文不仅针对多重识别算法设计一套识别流程,还针对实时性需求设计多线程版本识别流程。系统经过实验收集并制作了单模态行人数据集为中层特征扩展方法提供实验数据,验证了人物识别系统的可行性。