行人重识别是视频监控工作中的一项重要任务,在相机无法获得高质量的人脸图像时,利用身体特征、步态动作等更为全面的信息继续识别目标,无论是单独使用还是与人脸识别技术相结合,都能发挥重要的作用,在计算机视觉领域有重要的学术研究意义。目前,基于单帧图像的行人重识别研究已经获得很大的进展,但图像的信息有限并对图像质量有较大的要求。考虑到基于视频的行人重识别方法不仅关注单帧图像的信息,还能够利用帧与帧之间的时序信息,本文针对视频行人重识别任务中存在的遮挡、视觉模糊等挑战性问题展开研究,主要工作和研究成果包括:1)提出一种基于行人属性图卷积网络的视频行人重识别方法。受多任务网络的启发,考虑到行人属性能提供更加细粒度的特征进而捕获到不同行人之间的细节差异信息,将属性特征融入到行人重识别任务中。该方法分为行人属性预测分支和行人重识别分支。行人重识别分支将属性预测分支得到的局部属性特征和行人全局特征相融合得到更全面的行人特征,并输入图卷积网络学习不同视频帧间特征的潜在联系,提取到鲁棒性强的辨别性特征解决行人重识别任务中存在的遮挡、视觉相似等挑战性问题。在数据集MARS上的实验分析表明,本文提出的方法取得了较好的识别效果,能够有效提升识别性能。2)提出一种改进的行人属性图卷积网络的视频行人重识别方法。针对部分视频帧中存在属性信息过少、缺失等问题,引入空间注意力机制和通道注意力机制挖掘显著的行人局部属性特征,提升融合特征的表达能力,捕获相似行人之间细微的辨别性特征以更好地完成行人重识别任务,在数据集MARS上实验验证了本章改进方法的识别准确率和有效性都得到提升。