行人再识别是计算机视觉领域的一个重要研究方向,在人机交互、公共安全等方面有着广泛的应用前景。近年来,随着深度学习在计算机视觉领域应用的深入,采用深度学习架构的行人再识别也涌现出许多优秀的研究成果,基于属性学习的行人再识别就是其中典型的代表。已有研究表明,相对于其他方法,深度学习架构下的基于属性学习的行人再识别算法具有更好的识别效果和更强的鲁棒性,为此,本文基于属性学习的方法进行行人再识别研究,从深度神经网络结构设计、已标注数据信息充分利用、行人属性相关性信息深度挖掘等方面展开研究与探索,主要成果如下:1.提出基于数据集行人属性先验分布的行人再识别算法。该方法基于深度神经网络,对数据集信息进行了深度挖掘,主要工作体现在两个方面,一方面针对数据集各属性之间样本数量不均衡现象,在网络的损失函数计算中进行统一的归一化处理,避免数量差异带来的影响;另一方面针对数据集各属性内部正负样本不均衡现象,在网络中根据数量占比调整正负样本在损失层中的权重,从而增强正样本对识别结果的影响。此外,在网络中联合识别行人属性和行人ID,并设计合适的联合损失函数使结果最优化。实验结果表明,该算法能有效解决样本数量不均衡所带来的属性识别效果差的问题,提高了再识别准确率。2.提出基于异质行人属性识别的行人再识别策略。该方法进一步对行人属性内在区别进行分析,制定了相应的分类标准,将行人属性分为了四个类别,并针对每个属性类别设计识别子网络,采用不同的识别方法,有针对性地对不同种类属性进行识别。并针对不同类别属性识别方法使用的损失算法不一致的问题,提出了异质属性损失度量函数,使得不同识别方法能在同一个网络模型中进行训练和学习,并实现了网络参数的最优化。实验结果表明,该方法有针对性地提高了部分异质属性的识别效果,继而提升了整体的行人再识别准确率。3.提出基于行人属性分级识别的行人再识别架构。该方法深度挖掘属性之间的相关性信息,首先利用注意力模型提取行人属性特征,随后根据行人属性的显著性程度和包含信息量的大小,对属性进行分级;同时对数据集进行分析,得到能体现属性之间相关性的属性共现矩阵,根据上一级属性的识别结果和共现矩阵,调整下一级属性的识别策略。实验结果表明,该方法不仅提出了一个较为新颖的网络架构,还有效提高了行人属性尤其是小目标属性的识别准确率,进而进一步提高了行人再识别的准确率。4.融合上述研究成果,设计了一个基于属性学习的行人再识别整体融合框架。该框架将上述三点改进整合进同一网络架构中,解决了各网络部分之间的衔接和参数调整问题,并设计了完善的算法流程。实现结果表明,相对于已有的行人再识别方法,该方法具有很好的准确性和鲁棒性。