行人重识别是智能视频监控的重要环节,已成为计算机视觉领域的热点研究课题,具有重要的研究意义和广泛的应用价值,其主要研究内容是对非重叠视角的行人图像进行匹配。本文以深度学习为基础,重点研究并解决视角和姿态的复杂变化所引起的人体部位不易对齐的问题,针对性地提出了三种局部对齐网络模型。本文的主要工作包括:(1)提出了一种表观与姿态协同描述的行人局部对齐网络模型(Appearance and Pose-Collaborative Part-Aligned Network,APC-PAN)。APC-PAN由堆叠的局部对齐模块(Part-Aligned Module,PAM)构成。PAM可同时捕获行人图像的表观特征和姿态特征,并挖掘两者隐含的互补优势。Market-1501、Duke MTMC-re ID和CUHK03三个数据集上的实验结果表明,与当时主流的PABR算法相比,所提APC-PAN模型的R1准确率分别提高了2.4%,2.8%和3.0%。(2)提出了一种整体与局部联合表征的行人局部对齐网络模型(Global-Local Representation Part-Aligned Network,GLR-PAN)。GLR-PAN在不引入额外信息的情况下,利用多分支结构提取全局特征和局部特征,并将其有效结合以提高特征表示能力。Market-1501、Duke MTMC-re ID和CUHK03三个数据集上的实验结果表明,与当时流行的行人重识别算法(如PCB模型)相比,所提GLR-PAN模型的R1准确率分别提高了1.0%,3.3%和11.9%。(3)提出了一种部位注意力引导的行人局部对齐网络模型(Segment Attention-Guided Part-Aligned Network,SAG-PAN)。SAG-PAN采用Res2Net作为骨干网络提取多尺度外观特征,同时利用人体部位解析模型提取部位特征,并将其作为注意力流来指导网络从空间维度完成局部特征重定位。此外,为了保证特征的多样性,SAG-PAN将行人图像的全局外观特征与局部细粒度特征进行有效融合。Market-1501、Duke MTMC-re ID和CUHK03三个数据集上的实验结果表明,相较于目前先进的行人重识别算法(如~2-Net模型),所提SAG-PAN模型的R1准确率分别提高了0.5%,3.8%和5.0%,证明了SAG-PAN模型在行人重识别任务上的有效性。