近年来,随着我国市场经济的发展,影响社会治安环境的不确定性因素不断增加,我国目前的治安形势仍然处在十分严峻的阶段。为了保障人民的生命财产安全、更加有效地打击刑事犯罪,视频侦查技术已经成为公安部门侦查破案的重要技术手段。传统的视频侦查通过人工浏览监控视频的方式寻找与案件相关的线索,虽然有效,但是需要耗费大量的人力与时间,不能满足刑事案件"快侦快破"的需求。针对特定嫌疑目标(尤其是人)的计算机自动检索,已经成为刑事侦查工作中亟待解决的重要难题。在此背景下,本文的研究课题——行人重识别(PersonRe-identification),即在拍摄区域不重叠的多个监控摄像头下自动检索同一行人的技术,逐渐受到许多研究者和科研机构的重视。由于实际监控场景的特殊性和复杂性,行人重识别问题仍然面临许多挑战。(1)在真实的监控视频场景中,由于视角和光照的差异,对行人提取特异而又鲁棒的特征十分困难。(2)实际监控场景中获取的行人图像分辨率往往较低,不同行人图像间的分辨率也不一致,使得大多数基于单一高分辨率的行人重识别方法辨识能力明显下降。针对上述问题,本文围绕"动态度量"和"多维度表达"两个核心思想展开研究,主要研究成果如下:(1)基于自适应间隔最近邻的度量学习算法针对不同摄像头下行人外貌特征存在巨大改变的问题,本文使用距离度量学习方法,在跨摄像头下减少相同行人的特征差异,同时增大不同行人的特征差异。同时针对传统距离度量学习算法统一对待不同负样本的局限性,本文提出基于自适应间隔最近邻(Adaptive Margin Nearest Neighbor,AMNN)的距离度量学习算法。AMNN 算法引入"动态度量"的思想,在度量学习的过程中把训练样本的不同入侵者推到自适应的动态间隔以外,从而利用负样本间的差异性信息加强了对负样本的约束,行人重识别的效果得到了明显提升。(2)基于尺度渐变曲面的行人重识别算法针对监控视频中行人图像分辨率低且不一致的情况,本文提出基于尺度渐变曲面(Scale Distance Surface Function,SDSF)的行人重识别方法,通过引入"多维度表达"的思想,将图像单一特征辨识转化为图像多尺度联合辨识。SDSF算法通过学习得到的尺度渐变曲面分类器对行人样本对进行分类,得益于尺度渐变曲面的分类能力,SDSF算法显著提升了多分辨率条件下的行人重识别效果。(3)行人重识别系统设计基于本文提出的AMNN算法和SDSF算法,本文设计并实现了一个公开的行人重识别系统。本系统集成了 AMNN和SDSF两种行人重识别方法,较之于现有的行人重识别系统具有更加全面的检索方式,能够同时适用于分辨基本一致和分辨率多变的两种视频监控场景。综上所述,本文旨在研究面向监控视频的行人重识别,通过分析实际应用中的问题,提出相应解决方法。对于提高行人重识别算法的性能,进一步推进视频侦查技术,提高公安部门破案率和维护人民群众生命财产安全具有重大意义。