近年来,随着计算机视觉领域的不断发展,行人再识别技术成为了一个在该领域中比较热门的研究方向。该项技术主要目的是辨别在不同摄像头环境中不同时间段内出现的行人相同与否,该项技术对安防部门的监管工作有着重要的作用。但是就目前而言该技术仍然还面临着诸多挑战:摄像机间的分辨率差异、行人的姿态变换多样性、物体遮挡以及光照强度的不同等等。目前,众多研究学者在该技术中主要对以下两个方面进行研究:基于行人的特征表示方法研究,寻求和设计出对视角变化、光照变化等因素具有鲁棒性的行人表示特征;基于度量学习方法研究,利用行人样本训练学习出更具有判别性的度量决策函数,使得同一行人之间相似性远远大于不同行人的相似性。在计算行人特征向量之间的相似性时,一般情况下很多人都会采用欧氏距离、余弦距离等函数。但是这些经典的距离函数通常没有考虑到样本的特性,从而致使算法的识别率并不是很高。近年来,一些新的判别度量学习方法都是基于有标签的训练样本,并且考虑到了样本特性,在识别精度上有了明显的提升。马氏距离度量学习在一些算法中得到广泛的应用,例如大间隔最近邻分类距离(LMNN)测度学习算法、简单而且直接策略的距离(KISSME)测度学习算法、交叉二次判别分析度量(XQDA)学习算法等。然而一些距离度量学习算法在计算将高维度的样本数据投影到新的低维特征空间的投影矩阵的过程中,没有考虑到小样本问题;同时也未考虑到正负样本量的差异问题,针对这些问题,本文提出了相关的解决方法。本文的研究内容总结如下:(1)为了更精准的对行人识别与分类,并且寻求更佳的投影子空间对样本进行降维,我们在XQDA算法上进行改进,利用最大间距准则来学习一个判别低维子空间,提出了交叉视角最大间距度量学算法(XMM)。该算法可以很好的解决有训练标签的样本产生的小样本问题。实验结果表明,XMM算法相比XQDA算法有了 一定的提升。(2)同时,一些距离度量学习未考虑到正负样本量的差异问题,从而影响样本协方差矩阵的鲁棒性,本文对协方差矩阵进行了规整平滑操作,提出了规整平滑交叉视角最大间距度量学习算法(RSXMM)。实验结果表明,RSXMM算法的效果优于XMM算法。(3)行人再识别的算法都建立在鲁棒性的行人表示特征之上,为此,我们提出了一种鲁棒性的行人表示特征(显著性加权局部最大化发生表示,Saliency weighted local maximum occurrence representation,SWLOMO)。先利用显著性检测学习身体各个部位的权重,然后在提取颜色特征的时候先将每个通道的像素值乘以该位置的权重,可以更好的利用行人外观的颜色信息,实验结果表明,该特征应用在不同算法上都有着明显的提升效果。