田智慧，郑付科，高 需

（1.郑州大学信息工程学院，郑州 450001；2.郑州大学地球科学与技术学院，郑州 450052；3.郑州大学河南省超级计算中心，郑州 450052）

0 概述

针对公共场所某个视频监控摄像头捕捉的目标行人，基于视频监控网络和计算机视觉技术对其再次出现时识别的过程称为行人重识别［1］。行人重识别技术由于能直观、准确地反映犯罪嫌疑人与犯罪行为之间的联系，因此被广泛应用，特别是近年来得到快速发展，成为维护公共安全和社会稳定的重要手段。目前在可控环境下，基于人脸等生物特征的目标识别技术己比较成熟，但在实际监控场景下，受视角变换、行人姿态变化、图像分辨率低、目标被遮挡以及光照变化等因素的影响，通常难以获得高质量人脸图像，无法利用人脸信息进行行人重识别。因此，研究人员通过行人衣着与携带的物品等外貌特征来实现行人重识别［2］。

现有行人重识别算法分为基于距离度量学习的算法和基于特征描述的算法［2］。其中：基于距离度量学习的算法主要学习度量目标特征分布的距离函数，通常不同目标行人的特征距离值较大，而同一个目标行人的特征距离值较小［3］；基于特征描述的算法常用来设计可靠、鲁棒且具有判别性的行人图像特征，该特征能有效区分不同目标行人，且不受图像尺度、视角及光照等变化因素的影响。传统行人重识别算法主要基于颜色、纹理和局部描述［4-6］等低维特征，自2012 年HINTON 团队利用深度卷积神经网络在ImageNet 图像分类比赛中获胜后，深度卷积神经网络［7-8］被广泛应用于行人重识别的研究。……