近年来,随着视频监控的飞速发展,公安机关使用视频监控来寻找犯罪嫌疑人的需求也是越来越大,智能视频监控也将是未来视频监控的发展趋势,而行人识别技术是智能安防的重要应用之一。由于监控场景中存在行人图片模糊、姿态多变、目标过小等问题,导致视频监控下的行人识别的精度较低。目前的识别方式是基于整张行人图片的特征进行,方式过于单一,不能灵活的使用行人最有价值的特征来识别,也不能自定义行人部分属性特征来实现行人粗分类识别,所以当前的行人识别方法具有较强的局限性。在实际应用中获取的行人可用信息不同,当具有清晰的检索目标人脸照片时,就应当采取人脸特征作为唯一标识进行识别,若要查找戴眼镜穿短袖的男性时,就应当获取属性特征信息进行识别。充分使用行人的多属性特征进行识别的方式将是监控中行人识别的主流技术,自适应选取特征的行人识别技术也是迫在眉睫。针对以上的问题本文提出自适应特征匹配的行人识别技术,主要工作如下:(1)研究基于YOLOv3-Ma的抗干扰行人检测器。针对实际场景中存在的检测干扰因素和监控系统产生的海量数据帧问题,本文分析原模型数据初始化中,存在初始聚簇中心的随机选取和离群噪声数据的干扰等问题,提出了初始聚簇中心规则选取机制和离群噪声因子去除机制,使得行人检测器在多种测试场景中测试准确率提升了 1.5%左右。面对海量的监控数据,如果针对每一帧数据进行检测,极大的降低了检测效率,本文加入了去除相似帧的检测机制,有效的解决了监控系统中的相似帧检测问题,检测速度得到显著的提升。(2)研究视频监控下自适应特征选取的行人识别技术。针对监控系统中的行人姿态多样性导致识别精度较低和识别方式单一等问题,本文首先提出了行人属性特征分级机制,依据行人不同的粗姿态下,不同的属性特征具有不同的使用价值,并设计出自适应选取特征识别的机制。有效解决了依靠单一行人属性识别的局限性问题,也实现了依据属性的行人粗分类识别,满足了实际监控中多样化需求。同时加入依据拉普拉斯算子和像素数的质量判定机制,去除输入的劣质行人数据。最终在多种复杂场景的测试下的平均准确率达到了 72%左右,实现了行人的特征细化和粗分类识别。本文在实现自适应特征匹配的行人识别机制后,将该研究应用在实际的视频监控中,满足当前智能视频监控的实时性、准确性、识别方式多样性等需求。