随着国家经济逐步发展,人们的生活进入了小康社会,对社会安全及财产安全的要求也有所提高,此时,监控摄像设备就会起到十分关键的作用。而对于随之产生的大量行人数据,如果采用人工方式在图像数据中查找特定行人,明显变得非常吃力。所以如何同时分析多个摄像头下图像的有效信息,并在大量图像中准确定位目标行人成为了一个极具研究价值的问题。当前在行人重识别的相关研究工作中,由于单纯使用卷积神经网络所提取的行人特征存在信息缺失等不足,导致所得到的行人特征判别力不强,因此本文提出了一种基于密集网络的多感受野行人重识别模型-Dense Multi View Field(DMVF),利用多感受野特征融合的方式表达行人特征,工作内容如下:(1)首先提出本文的基准模型结构(Baseline),利用残差神经网络ResNet50提取特征,选择度量学习方法衡量行人之间的相似性;(2)将密集连接网络(DenseNet)应用到行人重识别中代替Baseline中原有的ResNet50作为基础特征提取网络,利用其特征重用的优势保留更多较低层的高分辨率特征;(3)采用空洞卷积实现多区域感受野特征的获取,并根据空洞空间金字塔池化思想提出适合本文模型的多感受野结构;(4)为了把多感受野结构融入到Baseline中,提出基于DenseNet的跨层融入多感受野模块的方法,该方法实现了将较低层的低语义高分辨率特征与较高层的高语义低分辨率特征充分结合,得到具有细节特征和定位能力的高语义特征图像。为证明所提算法的有效性,本文实验选择在行人重识别研究中比较具有代表性的三个公开数据集:Market-1501、DukeMTMC-ReID和CUHK03数据集上进行实验验证,并分别对于每个数据集,选取了几种其他主流行人重识别算法与其进行比较。实验结果证明,采用了 DenseNet作为特征提取网络和基于DenseNet的跨层融入多感受野模块的模型相对于Baseline在准确率上都有所提升。本文提出的基于密集网络的多感受野模型的效果也要优于其他几种主流算法,取得了较好的行人重识别效果,有效解决了行人重识别中特征提取不足的问题,具有较强的鲁棒性。