随着智慧城市的发展与普及,计算机视觉技术在诸多实际场景中得到了广泛的应用,如刑事侦查、智能安防、图像检索、人机交互等。相比于传统的人工识别,智能化监控管理技术能大大的降低成本和提高检测效率。行人重识别的特性是跨摄像机检索,评测准则是要求检索出不同摄像机下面的同一行人。在现实场景中,由于光照、拍摄角度、人体姿态变化等不可控因素,导致检索目标难以识别,这使得重识别研究成为一个具有挑战性的课题。近几年,随着深度学习在多个领域上的快速发展,本文就基于深度学习的行人重识别技术展开研究,本文的主要工作和贡献具体如下:现有的大多数方法都是基于行人的全局特征或是简单划分的局部特征,但是特征信息是行人重识别技术中重要的一部分。为了提取行人图像中更有辨识力的特征信息,同时减少背景环境对行人特征提取的影响,本文提出了基于行人骨架划分与多特征嵌入的行人重识别。本文对行人进行骨架点提取,然后利用优化划分准则对行人图像进行局部区域划分。利用神经网络分别对局部区域和全局图像进行训练,对提取到的全局与局部特征进行融合,融合后的特征具备丰富性和完整性。在相似性距离计算上利用局部信息的交叉匹配原则扩大类间距离和缩小类内距离,最后得到新的排序列表。在重识别技术研究中,摄像机视觉变化和跨领域的追踪是研究过程中的难点所在,其中包含了光照强度不同,背景差异大和人体姿态改变。由于特征点的尺度不变性和旋转不变性,本文提出基于混合结构与多特征点匹配的行人重识别方法。结合深度学习的优势,利用多任务卷积神经网络对行人图像进行训练与特征提取,将获得的行人特征通过传统的度量方法进行相似性排序。获取原始排序表中图像的特征点,并与目标样本的特征点进行匹配。将正确匹配特征点的个数作为相似性距离的衡量标准,从而得到一个更精准的排序列表。本文在公用数据集Market1501,Duke,CUHK03上实验来验证本文提出的方法,在Rank-1和mAP评价指标上都取得更高的准确率,表明本文提出的算法在特征提取和相似性距离上的改进,能提高行人重识别算法的检索准确率。