随着人们对社会公共安全的日益关注,视频监控系统逐渐在各大公共场合应用起来。面对海量增长的视频监控数据,传统的人眼观看模式显得捉襟见肘,无重叠视域下的行人再识别技术应运而生。但是由于在实际监控网络中受光照变化、视角变换、背景差异、行人姿态不同等因素的影响,行人再识别在当前仍然是极具挑战性的研究方向之一。目前对行人再识别的研究主要分为传统特征、深度特征、度量学习三个方向,本文分别从传统和深度两个方向针对行人图片遇到的遮挡、视角不同、光照变化等因素来设计更具有区分性的特征表达,主要研究工作与创新点如下:1.首先针对光照的影响以及单一特征的局限性,本文设计了一种颜色特征与纹理特征融合的局部均值特征算子。其次,针对遮挡问题,提出损坏区域的概念,并进一步提出基于局部区域划分的行人再识别算法。具体的,算法采用有向放大与对应的有向划分操作,从而分离损坏区域,并减小视角变化带来的影响;同时采用有效区域判断策略,来减小损坏区域在最终得分中所占的比重,来解决遮挡、背景差异等问题,提高最终的行人识别率。2.传统特征是观察者对目标对象某一方面特性的捕捉,而深度特征是基于输入的大量样本数据利用深度神经网络自动学习来得到目标内在的、抽象的特征。本文为了发挥两者的优势、挖掘相互间的协同作用,通过优化深度网络来学习目标的深度特征表达,并将传统特征与深度特征进行融合;同时为了提高深度网络的适应性,本文将所采用的公共数据集进行样本融合,并与只使用传统特征的结果进行比较,实验结果进一步证明了该方法的有效性。