行人再识别指的是将“探测”相机中一些感兴趣的人与从其他“探测”相机所捕获的感兴趣的行人候选者形成的大集合进行比较,寻找与“探测”相机视图中感兴趣的人属于同一目标实体的对象。现有的行人再识别方法主要可以归纳为两大类:一类重点关注特征表示方法,改进底层特征来更好地描述行人的体貌特征;另一类重点关注距离度量算法,来减少一个行人不同特征之间的差距。很多的现有方法利用全局特征作为行人的特征描述子,这样的特征会存在忽略细节的问题,进而使得再识别的准确率变低。另一方面,被捕捉到的行人图像所处的背景信息没有得到足够的重视,背景因素在一定程度上对行人再识别会产生影响。此外,在图像显著性研究领域内,群组图像的协同显著性检测往往是建立在单图显著性的基础之上的,现有的很多方法大多把二者进行单独的处理,很少有人采用一种统一的模式来同时解决单图显著性以及群组图像协同显著性的问题。针对以上几点问题,本文首先提出了一种统一的显著性检测算法框架,同时关注于单图显著性以及群组协同显著性,而后将该显著性检测方法应用于基于视觉显著性的实体判别网络当中,提出将属性实体判别网络与基于视觉显著性的实体判别网络进行结合的组合方法框架,该框架通过优化特征描述来提升再识别的准确度。我们应用了基于属性实体特征的判别网络,该网络针对现有方法获取全局特征的不全面性等问题,通过将属性特征与实体特征相结合的方式来解决不同行人间特征过于相似所导致的再识别准确度降低的情况,属性实体特征的判别网络分别利用了实体特征的全面性以及中层属性特征的局部性,将局部线索信息和实体全局信息进行结合,让局部线索信息来弥补从实体获取到的全局信息所遗漏的部分,让二者进行相互补充,进而得到可以更加全面表示行人特点的特征描述子。经过大量的实验可以得知,中层属性特征在再识别的准确性上更加具有优势。我们提出了一种基于视觉显著性的实体判别网络。该网络应用基于多示例学习的图像显著性分析方法,更加强调关注一张行人图像前景中的主体目标,同时,抑制行人图像中可能对再识别产生干扰的背景信息。在实验前,引入视觉显著性对输入网络的图像进行一定的处理,在强化行人实体以及削弱背景干扰的前提下,将图像输入实体判别网络,进而与基于属性实体特征的判别网络得到的较为全面的行人特征描述子相结合,得到准确度更高、更具有代表性的行人特征描述。大量的实验帮助本文证明了视觉显著性在行人再识别中的重要作用,它在一定程度上使实体判别网络具有更好的鲁棒性。