杨晓峰，张来福，王志鹏，萨旦姆，邓红霞，李海芳

(1.太原理工大学信息与计算机学院，山西 晋中 030600;2.山西工程科技职业大学计算机工程学院，山西 晋中 030600; 3.国网山西省电力公司电力科学研究院，山西 太原 030001)

1 引言

行人再识别是在行人检测的基础上，对不同场景中的目标行人进行再次检索。近几年来，行人再识别受到国内外学者的广泛关注，并取得了很大进步，但在跨域(数据集)测试中效果并不理想，在最新的跨域行人再识别研究中，R1平均准确率mR1(Mean Rank-1)最高只有43.6%。行人图像特征表示能力不强是跨域行人再识别准确率不高的主要原因。

目前，基于图像的行人再识别研究可以分为单一域行人再识别和跨域行人再识别。单一域行人再识别，按照分割图像提取特征的方法可以细分为3类：仅使用行人整体信息进行特征提取的方法[1 - 5]、仅使用行人局部信息进行特征提取的方法[6,7]，以及使用行人整体信息和局部信息结合进行特征提取的方法[8 - 10]。郑鑫等[3]将行人图像的多种属性与注意力机制相结合提高行人再识别准确率；Zhao等[7]利用行人肢体分割网络将行人图像进行分割；Zhao等[10]采用将人体骨架分割的思想，将人体分割成14个连接点后再组合成6个区域，用于提取局部特征。跨域行人再识别方法可以细分为5类：基于风格迁移的方法[11 - 14]、基于图卷积神经网络的方法[15]、基于字典学习的方法[16]、基于特征对齐的方法[17]和基于多属性学习的方法[18,19]。Deng等[11 - 14]通过对抗生成网络实现测试域样本的风格迁移，目的是使模型可以学习到测试域的风格信息。……