融合多模态数据的行人重识别,指的是融合行人图像、行人迁移时空数据以及其他传感器数据,利用多模态数据挖掘技术,在摄像头网络中对指定行人进行精确的检索。行人重识别是行人检索的核心技术,在安防等领域有着广泛应用。现有的行人重识别算法大多仅关注视觉信息,容易受光线、角度、遮挡、成像质量等不利因素影响,严重影响了针对目标人物的跨摄像头大范围持续追踪的性能;另一方面,现有的行人重识别算法需要大量昂贵的有标注数据才能得到满意的识别效果,在缺乏标记数据的跨域弱监督场景下表现较差,难以直接应用于现实场景。针对上述视觉性能和跨域适配性问题:本文提出一组全新的跨域多模态数据融合的行人重识别算法。首先本文结合视觉和时空数据,利用粗粒度的图像分类器构建时空模型,并基于贝叶斯推断融合视觉数据和时空规律,以实现更准确的行人重识别;同时提出一套基于排序学习和多模态聚类的多任务无监督增量学习算法,使得模型能够自适应环境数据变化,提升行人重识别算法的跨域适配性。本文通过大量实验,证明了融合多模态数据的行人重识别算法在跨域行人重识别问题上的优越性。此外,为了验证融合多模态数据的行人重识别算法的实际效果,本文还设计了一套多模态智能终端,以及一套真实场景下的行人重识别系统,为融合多模态数据的行人重识别提供了一个研究和应用平台。