徐振国，张 旭，丁亚男，汤 健

（上海工程技术大学 航空运输学院，上海 201620）

0 引 言

行人重识别是指用给定待识别的行人图像，从采集自不同时间点、不同摄像头的图像或者视频中检索特定行人的任务。行人重识别可以弥补目前固定摄像头的视觉局限，并可与目标检测、目标跟踪技术相结合，应用于视频监控、智能安防等领域［1］。在实际情况中，因摄像头安装位置、拍摄视角、环境光照变化及遮挡干扰等因素的影响，造成行人的姿态变化及外观差异，给行人识别带来巨大挑战。

行人的特征表示的鲁棒性对行人重识别算法的准确度有很大的影响，越好的特征表示能够获取到更加全面的特征信息，对应算法的效果就越好。早期的行人重识别一般都是提取手工设计的特征，包括颜色、方向梯度直方图、LOMO、SIFT 等，之后利用KISSME 或XQDA 度量相似性［2－3］。但在复杂场景下，传统的手工特征描述能力有限，相似性度量也会很难求解，随着深度特征在各任务中表现出相较于传统特征更强的表征能力，目前行人重识别都是基于深度卷积神经，自动提取深度特征。起初基于深度学习的行人重识别方法主要是用深度网络学习图像的全局特征，用分类损失或者度量损失进行训练，文献［4］提出了一个基于难样本采样的三元组损失算法，通过在一个训练批量中挑选出特征距离较大的正样本和特征距离较小的负样本进行训练，能够明显加快模型的收敛，提高网络的泛化能力；……