行人再辨识是计算机视觉领域的重要研究方向,属于图像检索的一个分支。主要任务是利用视觉算法（深度学习的方法）对几个不重叠无交叉设备下提取到的行人图像或视频进行配对,即当给定一个行人图像,在跨区域的视频监控系统中检索该行人图像。这一方向可广泛应用于视频监控、刑探侦查、智能安防等不同的社会领域。按方法类型的不同可将行人再辨识方法分为两类:基于非深度学习的行人再辨识和基于深度学习的行人再辨识。随着深度卷积神经网络的快速发展,基于跨模态、注意力机制、姿态估计、超分辨率和无监督的行人再辨识方法研究得到了蓬勃发展。然而,行人再辨识依然面临诸多挑战,例如,大规模数据的有效训练、行人外貌变化下的鲁棒性、无限制场景（遮挡、光照等变化）下的应用。为了解决以上问题,本文提出了批次分块遮挡网络和嵌入对齐模块的批次分块遮挡网络。1)批次分块遮挡网络由全局特征分支和特征删除分支组成,并以Res Net-50作为主干网络。其中全局分支用于对全局特征进行学习和编码,由第一分支和第二分支组成的批次分块遮挡分支是一个具有特征遮挡功能的双分支结构,对局部细节特征进行学习和编码。给定一个批次输入图像经主干网络计算得到的特征向量为T。第一分支中的批量擦除层会随机擦除张量中的同一区域,将擦除区域内所有位置的值都归为0。第二分支则会先将输入的特征图均分成上下两块,然后在每一块中随机地遮挡一小块,即将遮挡区域内的所有值设为0。设在特征图上应用第一分支和第二分支的擦除处理后得到的特征张量分别为T?和T?。此目的是学习多个关注的特征区域,而不是只关注主要的识别区域。增加了网络训练集的多样性,在多个数据集上检测效果都有明显提高。2)行人对齐网络是在批次分块遮挡网络的基础上对全局分支加了两个模块,分别是:映射估计网络和对齐分支。用映射估计分支来实现空间变换,将Res Net第四个卷积模块输出的大小为14*14*1024的特征图作为输入,输入映射估计网络进行卷积变换,输出为6维的向量?用于生成图像网格,解决背景过多和部分缺失的问题。对齐分支结构与主干网络类似,包含Res Net的第三卷基层和第四卷基层。对输入图像Xi,我们从原始图像和对齐后的图像中获得行人特征。行人更好的对齐可以学习到更多的判别特征,提高了行人匹配的准确性。将Duke数据集上的rank-1精度提高了1%-2%,达到了87.1%。将Market-1501数据集上的m AP精度提高了2%-3%,达到了86.4%。通过对多个大规模数据集的测试,结果表明本文提出的批次分块遮挡网络具有良好的鲁棒性,提高了行人检测的准确性。基于分块遮挡的行人对齐网络在具有较强提取局部特征能力的条件下,解决了输入行人图像的背景过多和部分缺失问题,使输入行人图像达到语义对齐,增强了提取全局信息的能力。这两种方法的提出在行人再辨识方向取得了较好的效果。