行人重识别是利用计算机视觉解决跨摄像头跨场景下识别与检索特定行人的技术,主要应用于刑事侦查、安防监控、智能商业等多个领域。当前的行人重识别方法主要是在特征提取和度量学习两个方面进行研究,特征提取决定了模型性能的上限,可直接影响后续的度量学习。由于监控摄像头拍摄的行人图像,存在视角变化、分辨率低、光线昏暗以及遮挡等问题,给行人图像的特征提取带来了很大的挑战,因此研究出一个具有辨别力的行人特征提取方法仍是一个相当具有挑战性的课题。本文从全局和局部特征提取的两个角度对基于深度学习的行人重识别方法的网络框架进行了研究与改进,主要研究内容为:(1)针对全局特征的提取,提出了一种基于多层全局特征拼接的行人重识别方法。该网络结构首先利用卷积层和池化层多次提取网络多层全局特征,从空间维度提升网络性能,使用拼接后的多层全局特征作为行人图像的全局特征属性;其次在多层全局拼接特征后加入一个批量归一化层,同时采用标签平滑损失函数和三元组损失函数对模型进行联合训练。(2)针对局部特征的提取,提出了一种基于多粒度局部特征拼接的行人重识别方法,它是一种多粒度局部特征与多层全局特征拼接的行人重识别网络结构。该网络结构首先采用多层全局特征拼接结构提取行人图像的全局特征;其次分为两个分支分别对行人特征进行水平切割提取行人更细粒度的局部特征;最后将全局与局部特征拼接作为行人图像的特征属性。在损失函数的使用过程中,采用多损失函数策略对模型进行约束,对全局特征采用排序表损失函数和标签平滑损失函数,对局部特征仅采用softmax loss函数,通过对损失函数针对性的选择以提高模型的泛化能力。最终,在Market1501、DukeMTMC-reID、CUHK03和MSMT17数据集上进行实验,实验结果表明本文所提行人重识别方法的优越性,其中基于多粒度局部特征拼接方法更优,该网络具有很强的泛化能力。