行人再识别技术是计算机视觉领域的重要分支,其目的是对不重叠监控摄像头视野下的特定行人进行匹配。近年来,随着计算机性能的提高,智能监控摄像头的广泛使用,该技术在工业应用和科学研究领域受到越来越多的关注。本文总结了行人再识别的国内外研究现状,并结合研究中面临的主要挑战,提出了一种属性和身份特征相融合的行人再识别方法。所作的主要工作如下:1、提出了一种优化的属性预测子网络。将传统的手动特征(颜色、纹理等)融入深度神经网络,充分融合了两者的优势,得到更具判决力的属性特征。2、设计了加权的属性预测损失。结合不同属性类别的样本分布比例,为每一个属性类别设置各自的权重,很好地解决了样本分布不均对于模型性能的影响。3、提出了一种多区域的行人身份特征提取子网络。在全局特征的基础上对特征图进行区域分割,以获取到更多的局部信息,提取出表示能力更强的行人特征。4、提出了一种特征距离序列重排序的方法。在得到初始的距离序列后,定义了k-交叉最近邻,从而对初始的特征排序进行了调整,得到优化的距离序列。为了验证本文方法的有效性,在三个行人再识别公共数据集上进行了对比实验,测试得出,本文各个模块均对整体的性能增益有所贡献,并且整体网络的识别精度优于现存的多种算法。