行人重现检测是监控视频分析和识别过程中的一个十分重要的研究点,在多个领域,如智能监控、交互式游戏方面都有非常大的价值。经过研究者们不懈的努力,行人重现检测的性能有了明显的提升,使其在真实的监控场景中有所建树。由于人体姿态多样性、复杂多变的背景、光照变化和摄像机视角变化等因素的存在,人体的外观通常发生巨大的变化,为行人重现检测带来了巨大的挑战。本文围绕行人重现检测中的问题和难点,研究了如何在无监督的条件下“基于行人部件分析提取高斯局部描述子”以及在海量数据中如何进行“面向行人重现检测的物体与属性检测”。具体的,本论文的主要贡献有以下两点:针对行人重现检测中的特征匹配与提取,本文提出一种基于行人部件分析的高斯局部描述方法(GaLF)。通过行人部件分析与色彩校正,对图片中每一部分提取局部高斯特征。通过度量每一部分间的高斯的距离,得到基于人体多部件的度量结果,即两样本间的相似性。实验表明,本文提出的基于行人部件分析的高斯局部描述方法有效的利用了人体部件信息并提取了鲁棒的颜色、纹理及空间信息,在多个行人数据集上取得了性能的提升。本文提出了一种面向行人重现检测的物体与属性检测系统。本系统通过半监督方法筛选大量网络数据。利用深度神经网络模型对网络数据进行标注,扩充带标注的数据集。通过扩充过的数据集重新训练系统中的深度神经网络模型,以提升其准确率。最终系统可准确提取用于行人重现检测的高阶行人语义特征。该系统可以在线不间断运转,并且结合了无限图片学习系统与深度学习网络,优势互补。无限图片学习系统中分类性能差,可通过目前识别准确度最高的R-CNN方法弥补;R-CNN方法需通过大量有标注数据集进行训练,而目前带标注数据少之又少,可借助ELDA对数据的半监督学习能力扩充数据集。