人的重新识别是一项重要的计算机视觉任务,其目的是通过在不同相机下拍摄的一组图片库图像或在单个相机下拍摄的不同时间戳来识别一个人。该任务假设探测图像的主体属于图库;也就是说,画廊里有这个人。此场景也称为封闭集标识。然而,Reid的任务是非常具有挑战性的,像比例和分辨率的变化、姿势的变化、视点的变化、光线强度、模糊背景和遮挡等问题使它变得非常重要。此外,由于面部信息的有限性,软生物特征识别和基于生物特征识别的技术是无效的。在这篇论文中,我们的重点是解决规模和分辨率的变化问题,并通过提高重新排序的性能来提高人员重新识别的整体性能。本文讨论的主要问题如下:（1）在现实的监控系统中,摄像机网络捕捉到的人体图像由各种低分辨率（LR）图像组成。与目标人物的高分辨率图像相比,它会产生分辨率不匹配的问题。它对人的再认行为有显著影响。我们把这个问题称为低分辨率人员重新识别（LR PREID）。一种有效的策略是利用图像超分辨率（SR）和人的再识别作为一种相互学习的方法。本文提出了一种新的方法MSA-SR-PREID来解决这个问题。该模型采用不同分辨率的低分辨率图像,并将其大小调整为预定义的固定分辨率。超分辨率网络的设计包括ESRGAN和去噪模块,用于生成超分辨率图像。SR图像随后被传递到重新识别网络以学习用于识别个人身份的唯一描述符。该模型的性能已经在四个竞争基准上进行了评估:MLR VIPe R、MLR Duke MTMC re ID、VRMSMT17和VRMarket1501。通过与同类产品的比较,证明了该模型的优越性。