行人再识别在智能监控、人机交互、机器人等众多应用中具有重要应用,已成为计算机视觉和模式识别领域的热点研究方向。但受光照、背景、拍摄角度及行人姿态等各种因素的影响,行人再识别研究极具挑战性。目前行人再识别方法主要包括基于传统手工设计模型的方法和基于深度学习的方法。基于传统手工设计模型的方法包括手工设计的行人特征表示和距离度量两部分工作,其存在的主要问题是手工设计特征的局限性会导致其在面对复杂多变的环境时很难取得令人满意的识别效果。深度学习由于其在基于训练数据的自动特征提取方面的优势,也迅速用于行人再识别研究,但缺少训练样本是存在的主要问题。同时,传统方法和基于深度学习的方法一般都只考虑行人再识别方法的有效性而未考虑行人检测的效果,导致实验结果与实际结果之间往往存在较大差距。针对上述问题,本文研究并实现了一个基于深度学习的从监控图像到行人检测再到行人再识别的端到端的行人再识别系统。首先采用一种通过共享卷积层的方式结合候选区域网络(RPN)和R-CNN目标检测网络的FasterR-CNN框架实现对监控图像中任意大小行人的检测;其次采用深度卷积网络模型实现对目标图像与检测图像是否为同一人的判定,其中深度卷积网络模型采用对称结构、权值共享的方式对输入的行人图像进行特征提取,并通过成对约束的方式把行人再识别问题从多分类问题转化为二二分类问题;最后基于上述技术实现了一个从监控图像到到行人再识别的端到端的行人再识别系统。仿真实验验证了该系统的有效性。