行人再识别是指通过计算机视觉技术匹配出现在不同地点和时间的行人。在智能安防、商业导购、人机交互等领域,行人再识别技术具有巨大的应用潜力。与基于人工特征的方法相比,基于深度学习的方法是端到端的,可以获得更鲁棒的识别特征,近年来,研究人员已在许多行人再识别数据集上使用深度学习技术并且取得了重大的进展。但是,在诸如公交、地铁等拥挤场合下,严重的遮挡使得利用乘客全身图像进行再识别变的不现实,因此本文选取乘客图像头部区域作为识别乘客身份的有效部位。但由于乘客人头图像分辨率低,可识别特征很少,不同样本间相似性高,因此当使用基于深度学习的方法对乘客人头进行再识别时,大量相似训练样本使得模型在训练时学习不到具有识别性的特征,另外,由于公交车前门和后门摄像机拍摄的乘客人头具有不同的风格,因此根据人头对前后门乘客进行匹配时会影响再识别模型的识别性能。本文基于深度学习技术,主要解决如何选取有效的训练样本以提升再识别模型的训练效果,如何生成具有不同相机风格的乘客人头图像,使训练集更加丰富,从而指导模型更好的识别不同相机下的图像。本文的主要工作包括以下内容:(1)基于难样本挖掘三元损失的公交乘客人头再识别算法。针对视角、光照、噪声等因素对再识别模型的影响,对训练数据进行增强,以提高模型的泛化性能;使用行人再识别模型作为预训练模型,提高模型训练效率;探究不同的骨干网络对再识别模型影响;对于损失函数,实验比较不同阈值及软化损失边界方法对再识别模型的影响,使用不同三元组采样方法,验证难样本采样的有效性;在三元损失函数的基础上,对难样本三元组增加相机标签的约束条件。在乘客人头再识别数据集上的实验结果显示,对比基准算法,增加相机标签约束条件的难样本挖掘三元损失再识别算法平均准确率提高了1.03%。(2)基于CycleGAN造图的公交乘客人头再识别算法。针对公交车前后门相机风格差异,构建基于CycleGAN的相机风格迁移模型,并使用风格迁移模型对公交乘客人头再识别训练集进行风格迁移,然后将原图像和迁移图像作为训练集训练再识别模型。以Tri Net为基础,通过实验验证了迁移图像对丰富数据集风格的作用;在其它基于深度学习的再识别模型基础上进行的实验显示,生成的迁移图像使模型的识别效果均有大幅度的提高。