1、近年來，監(jiān)控系統(tǒng)的普及給傳統(tǒng)的人工監(jiān)控分析帶來了巨大的挑戰(zhàn)，從而促進(jìn)了智能監(jiān)控系統(tǒng)中自動(dòng)檢測(cè)、識(shí)別、分析等應(yīng)用的發(fā)展。其中，基于行人重識(shí)別的智能視頻分析成為計(jì)算機(jī)視覺研究領(lǐng)域中的重點(diǎn)和熱點(diǎn)，在打擊罪犯、災(zāi)難預(yù)警、安防安保中發(fā)揮著越來越重要的作用。利用深度學(xué)習(xí)、度量學(xué)習(xí)等機(jī)器學(xué)習(xí)算法解決相同身份行人的匹配問題已經(jīng)成為行人重識(shí)別的主流研究方向，但是，由于視角差大、光照變化、遮擋嚴(yán)重等因素的影響，穩(wěn)定精確地實(shí)現(xiàn)行人重識(shí)別仍然是亟待解決的問題。

2、
　　本文以實(shí)現(xiàn)行人的魯棒性重識(shí)別為主要研究目標(biāo)，從單幀重識(shí)別、非時(shí)序多幀重識(shí)別、時(shí)序多幀重識(shí)別和視域匹配四個(gè)方面展開研究，實(shí)現(xiàn)了行人的穩(wěn)定重識(shí)別，主要工作如下:
　　首先，在單幀重識(shí)別問題中，針對(duì)傳統(tǒng)的特征級(jí)融合中低維度特征容易被高維度特征淹沒而引起判別性能下降問題，提出一種新的決策級(jí)融合方法，通過對(duì)特征與排序的結(jié)構(gòu)化輸出結(jié)果構(gòu)建聯(lián)合特征，利用結(jié)構(gòu)化支持向量機(jī)有效權(quán)衡多特征光照的不變性和辨別力，使其決策達(dá)到全局最優(yōu);針對(duì)全

3、局度量在具有復(fù)雜光照的多峰數(shù)據(jù)上無法同時(shí)滿足類內(nèi)緊密性和類間可分性的問題，利用LC空間中的顏色轉(zhuǎn)移不變性，進(jìn)行多模式度量挖掘，更好地衡量多模分布下數(shù)據(jù)點(diǎn)間的距離，提高了多模光照分布下的識(shí)別率。
　　其次，在非時(shí)序多幀重識(shí)別問題中，針對(duì)如何利用多幀圖片的互信息提高識(shí)別率的問題，提出了基于多示例卷積神經(jīng)網(wǎng)的重識(shí)別方法。通過Siamese卷積神經(jīng)網(wǎng)提取示例對(duì)判別性特征，并借助多模回歸獲得相似度度量，然后利用集體決策原則聯(lián)合各匹配對(duì)的相似

4、性信息在多示例卷積神經(jīng)網(wǎng)中對(duì)包級(jí)樣本進(jìn)行聯(lián)合優(yōu)化;在此方法中，設(shè)計(jì)了M3P池化層以聯(lián)合多示例特征成為包級(jí)特征，從而弱化偽樣本的影響，通過反饋機(jī)制優(yōu)化網(wǎng)絡(luò)參數(shù)實(shí)現(xiàn)更加精確的模型學(xué)習(xí)。
　　再次，在時(shí)序多幀重識(shí)別問題中，針對(duì)外貌和運(yùn)動(dòng)信息匹配不同步的問題，提出了多源特征提取及度量學(xué)習(xí)方法。針對(duì)外貌和運(yùn)動(dòng)特征，分別通過樹形結(jié)構(gòu)優(yōu)化和光流法優(yōu)化的方法進(jìn)行視頻片段分割，然后利用考慮偽樣本估計(jì)的多示例度量學(xué)習(xí)方法實(shí)現(xiàn)最優(yōu)片段匹配和最佳度量的聯(lián)

5、合學(xué)習(xí)。
　　最后，在相機(jī)視域的像素級(jí)對(duì)應(yīng)點(diǎn)匹配問題中，針對(duì)匹配點(diǎn)在不同相機(jī)中外部形態(tài)差異很大無法進(jìn)行關(guān)鍵點(diǎn)匹配的問題，提出了基于強(qiáng)魯棒性時(shí)空活動(dòng)性特征的視域匹配算法，增強(qiáng)了特征的唯一性，提升了匹配的準(zhǔn)確率;利用時(shí)空活動(dòng)性特征和行人本質(zhì)屬性特征共同構(gòu)建能量方程進(jìn)行匹配，不依賴單應(yīng)性矩陣，增強(qiáng)了算法實(shí)用性。
　　綜上，本文通過對(duì)不同條件下行人重識(shí)別問題的深入分析，研究了魯棒性特征的挖掘與匹配方法，在一定程度上豐富了行人重識(shí)別數(shù)