行人重识别在计算机视觉方向具有极高的研究价值,跨摄像头检索行人目标有利于建设可以应用于社会安全方面智能安保设备。行人重识别通过深度学习的技术已经达到了较高的行人目标检索准确率,众所周知,深度学习算法是依赖于海量的数据集作为研究基础。由于人工标注费事费力,以及隐私保护等原因,难以获取可促进行人重识别研究的较大规模的数据集,限制了行人重识别算法准确率的提高及广泛应用。图像反转、随机剪裁与擦除等图像处理算法被用来克服数据集不足的问题,一定程度上提高了深度网学习络模型在行人数据集上挖掘鲁棒特征的能力。然而上述图像增强算法基本是整幅图像的简单变换,无法增加行人的姿态和颜色分布等特征信息。针对上述问题,本文在姿态特征和颜色分布两方面分别提出了新的数据增强方法,具体包括以下任务:1)基于数学三角函数的曲线变化特征处理图像的姿态信息。该算法是基于探索发现三角函数对行人姿态调整有着天然的优势,通过深度探索三角函数曲线变化应用到行人姿态处理中效果,让图像变换从原先的整体变换调整到行像素平移的变换方法中来,使得图像中的行人姿态能够进行多样化的曲线调整,也就让行人的姿态产生了变化。通过对参数随机调整,可以做到一个行人样本能衍生出多种行人姿势,极大的丰富数据集的姿态特征。2)基于边界阈值自适应的漫水填充算法动态生成行人新外观。该算法能够简单的改变行人衣着颜色或者背景颜色,并且能够保留行人样本的基本的色彩纹理分布特征。该算法是基于探索漫水填充算法的特点,并研究出临近像素梯度判断算法,作为判断最佳色彩块的算法,一起作用于行人样本,使得生成的新样本外观非常逼真。该方法同时能够处理行人遮挡引发的鲁棒性差的问题,因为新外观生成的方式具有随机性和局部性,利用该方法做的遮挡色块可以比单纯清空像素块更具有优势。基于以上两项工作的研究成果,开发了一个跨摄像头行人检索系统,探究行人重识别研究成果在现实活动中的运用技术。