行人重识别或称行人再识别,指在不同的场景下定位相同行人的一类技术,是近年来十分有潜力的研究领域。通过行人重识别算法,可以实现行人轨迹分析,关键人群定位和追踪,也可以在人脸信息失灵时实现行人的识别和匹配,这在商业策略,刑侦安保,智能生活等等领域都有着广阔的应用前景。但就目前而言,行人重识别算法的性能指标还远远没有达到能实际应用的程度,实际表现很差。将行人属性识别与行人重识别相结合,是提高实际应用能力和算法性能的一种可行方式。行人属性识别是一个十分成熟的研究领域,其中的很多研究方法都对重识别有借鉴意义,属性信息的引入也能有效的提升算法性能。本文的核心研究内容即探寻行人属性信息于重识别的价值所在,并寻找行人属性识别在行人重识别任务中的最佳应用。本文中总结整理了这一方向近年的研究成果,详细介绍了相关的技术要点。将属性信息的引入方式分为三个大类,分别设计实验并给出计算和分析,总结了不同应用方式对最终性能的影响。为了更好的利用属性信息作为重识别的局部特征,文中提出了一种属性注意力机制,引入这一机制的重识别网络在两个数据集上都取得了不错的表现。为了更好的实现属性之间的信息共享能力,文中提出了称为栅栏网络的基础网络,栅栏网络融合了多分枝和多分类网络的优势且具有很强的信息共享能力。结合上述的计算和分析以及提出的属性注意力机制栅栏网络等,本文最后构建了一种结合了多种不同算法的融合模型,针对这种引入属性信息的重识别网络设计了一种联合数据集训练方式,提出了联合数据集损失函数,并在实验中取得了很好的结果。同时,结合了行人属性信息的融合网络也有着不错的跨域性能和实际应用能力。文中的很多技术介绍,模型结构设计,公式推导,实验结果分析等具有一定的参考价值,希望能为结合行人属性信息的行人重识别领域未来的研究带来新的思路。