行人再识别是一种热门的计算机视觉算法,其利用生活中的监控摄像头拍摄的图像实现行人跨区域再次检索,即行人跨境追踪。行人再识别算法的研究对于推动公共安防事业的发展有着重要的意义。由于受到环境的限制,行人再识别在实际应用中面临着一些难题,如:行人对不齐、背景干扰等。为了提高行人再识别的准确率,解决行人再识别中存在的对不齐和背景干扰的问题,本研究在常用的水平分割方法的基础上进行改进,重点研究了基于多粒度特征深度学习的行人再识别算法。本文主要研究内容如下:研究人体局部区域定位算法,来实现人体上、下半身检测。为了提高算法对于行人图像上、下半身的检测的成功率,同时提高网络对模糊图片的检测效果,该算法在Yolov1目标检测算法的基础上,对特征提取网络进行替换、对网格分割策略进行修改、修改网络输入图像尺寸、加入了数据预处理机制。通过实验测试改进前、后的Yolov1算法对人体上、下半身的检测效果,证明所研究的人体局部区域定位算法比Yolov1拥有更好的人体上、下半身检测的效果。为了缓解行人对不齐和背景干扰问题,对传统的水平分割进行改进,提出一种行人特征图精准分割方法。该方法利用人体局部区域定位算法提取的行人上、下半身坐标对主干网络提取到的特征图进行切分,并针对行人对应的区域进行重新融合,以减少行人对不齐和背景干扰对特征匹配的影响。为了进一步提高行人再识别准确率,设计一种多粒度特征融合算法。采用人体全身特征作为深层粗粒度特征,采用精准分割得到的行人局部区域特征作为深层细粒度特征,采用浅层网络特征作为浅层特征。通过融入行人空间多粒度信息,和网络空间特征多粒度信息来丰富行人特征,提高识别准确率。同时,在计算损失函数时,针对不同粒度特征给予不同的权重值,改变网络对不同特征的关注度。在Pytorch深度学习框架下完成实验环境搭建,通过对比实验验证多粒度特征融合算法有效性、选择最优距离计算函数、验证分割网络的有效性。结果表明,在Market1501数据集上,提出的多粒度特征融合算法初步解决了行人对不齐和背景干扰对识别准确率带来的影响。