随着监控网络规模的不断扩大,由此产生的海量信息对传统的视频监控技术带来了巨大挑战。行人重识别作为智能视频监控领域中的一项新兴技术,旨在海量监控视频资源内寻找不同监控视野下的特定行人目标,目前已广泛应用于行人检索、犯罪预防、意外防范等领域。由于光照变化、视角改变、背景干扰、遮挡等诸多因素影响,如何实现准确高效的行人重识别具有重要研究意义。本文深入分析了行人重识别技术的关键问题,以提高重识别性能为目标,开展了行人重识别关键技术的研究。本文提出了一种基于语义区域信息与拓扑约束的行人重识别方法。首先,利用行人图像中的语义信息寻找图像对之间对应的部件区域,实现基于对应部件区域的相似性比较。同时,通过提取图像前景区域特征,避免了无用背景信息的干扰。其次,设计了一种基于特征空间拓扑约束的度量学习方法,在要求正样本到查询样本的距离小于负样本到查询样本的距离的同时,要求不同类样本特征之间的距离大于正样本对之间的距离,从而有效地提高了特征空间的可分性。公开数据集上的对比实验结果表明,所提出的方法能够获得良好的重识别性能。本文还实现了一种基于渐进融合与残差注意力模型的行人重识别方法。首先,利用Inception模块作为基本模块构建网络,根据特征图尺寸的大小将网络分为多个阶段,将每个阶段内相邻层的输出特征进行级联并融合后作为网络下一层的输入。其次,网络的不同阶段使用跳连接的方式将浅层感受野较小的特征与深层感受野较大的特征进行融合,以使网络输出包含多阶段的特征信息。同时采用残差注意力模型激活不同阶段特征图中有判别力的区域,从而增加了网络输出特征的判别力。实验结果表明,所提出的方法在公开数据集上获得了较好的重识别性能。