随着科技的发展,摄像头在日常生活场所的普及,智能视频监控系统对维护城市的稳定与安全起着越来越重要的作用。各种运用摄像头监控、排查犯罪的方法层出不穷。由于相机分辨率和拍摄角度的限制,使用监控摄像头难以得到质量较高的人脸照片,在人脸失效的情况下,行人重识别就成为了一个非常重要的替代识别方法。行人重识别技术通过建立跨摄像头、跨场景的行人图像对应关系,根据其衣着,发型、体貌等特征追踪人员信息。监控采集到的图像,往往来自于多个摄像机。由于摄像机摆放角度、参数设置、拍摄场景、拍摄时间不同,同一行人在不同摄像头下的风格、光照、视角、姿势存在巨大差异,因此行人重识别的研究面临诸多挑战。本文基于计算机视觉技术,利用局部特征和对抗生成性算法搜索不同摄像头下的相同行人图片,实现准确的目标人物搜索与定位,满足智能监控系统对行人重识别的要求。本文的主要内容为基于局部特征和对抗生成的行人重识别算法研究及应用,主要研究工作如下:首先,介绍了本文的研究背景,针对传统行人重识别算法存在的问题提出本文研究的意义。同时介绍行人重识别的主流数据集,比较行人重识别的评测指标,通过分析确定本文实验拟采用的评价标准。其次,研究了基于全局和局部细粒度特征的行人重识别方法。根据数据库行人图像的特点,本文利用网络的全局与局部分支对行人图像进行不同粒度特征的提取,设计了一种包含全局分支、三粒度划分局部分支和四粒度划分局部分支的网络结构,提出改进的全局和局部细粒度特征行人重识别算法。在识别损失函数中加入三元组损失和中心损失对类间类内距离进行约束,通过重排序技巧提高搜索排序的准确率,优化网络提取的粒度尺度,简化了网络的特征提取过程,提高了学习效率,获得了较好的性能。再次,研究了基于对抗生成性网络的行人重识别数据集扩充与行人识别方法。本文对行人图片进行结构与外观的编码,通过切换外观或结构编码生成高质量的交叉身份合成图像,实现对训练数据的增强,并将生成图像在线反馈给外观编码器用于改进辨别模块。本文以WGAN(Wasserstein Generative Adversarial Networks)网络为主体,调整编码器的卷积残差结构,同时引入ASPP(Atrous Spatial Pyramid Pooling)结构提取不同尺度的特征,提出一种改进的联合生成性和辨别性学习的行人重识别方法。通过调节生成器的上采样结构,恢复更多图像细节。借助多尺度patch GAN思想改进判别器,对图片的多种尺寸进行联合鉴伪。以上改进缓解了模型过拟合问题,生成了符合训练标准的生成图像,并在Market-1501标准数据集上进行了验证。最后,从原理实现和实验结果两个方面,对基于局部特征的行人重识别算法和基于对抗生成性网络的行人重识别算法进行了对比分析,总结了两种算法各自的特点及两种模型的适用场景。