行人再识别(Person Re-identification,Person Re-ID)指给定一个摄像头网络中某一摄像头下的行人图片,自动提取出其它摄像头下同一行人的图片。由于摄像头部署差异和行人运动,同一行人表现的外表特征会有较大变化,给行人再识别带来了巨大的挑战。基于深度学习的行人再识别系统可以有效提取行人的外表特征,效果,但需要大量的训练数据,而当前的行人再识别数据集规模都比较小,无法完全满足深度训练需求。因此,论文研究了基于深度学习的行人再识别算法,并探索了使用生成对抗网络扩充行人再识别数据集的方法。论文的主要研究工作如下:在残差学习网络ResNet50的基础上设计了高效的分类器网络,得到一种深度行人再识别模型ResNetEx。使用PyTorch深度学习框架编写模型代码,并在Market-1501数据集和CUHK01数据集上进行实验。实验结果超过了许多最新先进模型,验证了ResNetEx模型的有效性和先进性。进行特征增强实验,将测试图片镜像翻转后再次计算特征,叠加到原始的图片特征上,结果表明ResNetEx模型在两个数据集上的准确率继续提升。特征增强实验相当于扩充了训练数据,准确率提升说明ResNetEx模型之前的训练不够充分,即所用数据集的规模无法完全满足深度训练的需求。针对当前很多行人再识别数据集数据规模小、行人姿势单一的问题,研究了扩充行人再识别数据集的方法。论文提出基于生成对抗网络的POSE-GAN模型,将数据集中的行人图片扩展为8个标准姿势。在实验时,首先将生成图片作为强标签的训练数据使用,结果表明POSE-GAN模型生成的图片没有保留足够的行人外表信息,作为强标签训练数据使用会降低行人再识别的准确率。为了解决生成图片无法作为强标签训练数据的问题,提出LSROW算法将生成图片作为弱标签的训练数据,即为生成图片分配经过均匀化处理的身份标签。实验结果表明作为弱标签训练数据的生成图片改善了ResNetEx模型在大规模数据集上的准确率,显著提高了ResNetEx模型在小规模数据集上的准确率,提升幅度高达7.6%。ResNetEx模型在两个数据集上的扩充训练结果均超过了对照模型中的最佳结果,充分表明了使用POSE-GAN扩充行人再识别数据集的可行性。