现代城市中摄像头无处不在,每天产生大量的监控视频数据,提升机器对视频数据的分析、处理、学习和归纳能力非常必要。本文主要聚焦于分析监控视频中的行人,即行人再识别的研究。行人再识别(Person Re-identification,Re-ID)作为计算机视觉任务之一,其核心目标是从非重叠摄像机视图中匹配感兴趣的行人。在实际场景中,由于行人与摄像机的距离不同以及摄像机性能差异等问题致使采集的行人图像尺度不一致,低分辨率行人外貌细节的缺失严重影响了Re-ID的识别性能。但是现有的大多数Re-ID研究往往忽略这一问题,且公开行人数据集中缺乏针对低分辨率行人的样本。本文将重点放在尺度自适应行人再识别的研究上,工作要点如下:1.针对低分辨率行人图像与正常尺度行人图像的数据分布差异大的问题,无监督域自适应方法(Unsupervised Domain Adaption,UDA)对于处理域间分布偏移效果良好,本文尝试将UDA方法用于尺度自适应Re-ID研究。搭建的UDA模型在训练时源域为有标签原始图像,目标域为无标签多尺度行人图像,测试时低分辨率查询图像将匹配候选库中的正常尺度图像。实验中,相较于基线模型baseline,UDA方法对单一尺度与多尺度行人数据集的识别效果提升并不明显,未达到实际应用中的理想识别性能,UDA方法仍需改进。2.针对低分辨率行人图像外貌细节信息缺失严重的问题,图像超分辨率算法能够将低分辨率图像重建为高分辨率的图像,本文提出了一种将行人超分辨率与再识别联合学习的端到端尺度自适应行人再识别模型SASR~2(Scale-Adaptive Person Super-Resolution and Re-identification)。实验发现,超分辨率模块有效提高模型识别性能,将行人超分辨率与再识别联合训练方法有效,模型可同时处理正常尺度与多尺度低分辨率行人。3.针对低分辨率图像与高分辨率图像间存在复杂的特征空间非线性映射关系,本文提出半耦合学习模型SCM(Semi-Coupled Model)解决尺度自适应Re-ID问题。SCM模型包含输入分别为多尺度低分辨率图像和正常尺度高分辨率图像的两个卷积网络,网络迭代共享滤波器学习特征空间的映射,未共享的滤波器学习特定分辨率。实验结果表明,对单一尺度的低分辨率图像SASR~2模型识别性能较优;对多尺度图像,SCM凭借简便的半耦合学习方法与SASR~2模型识别性能相当,且其实现方法简单,更贴合实际应用。