随着公共区域监控摄像头的普及,监控摄像头每天产生大批量的视频数据,仅仅依靠传统的人工处理手段无法做到快速高效的视频分析和处理。跨摄像头的行人跟踪是建设智慧城市和智能安防中的主要技术难题,该技术是实现对监控视频快速高效的分析和处理重要技术。行人重识别是实现跨摄像头行人跟踪的关键技术,有监督学习的行人重识别算法仅在单个目标场景具有强大的性能表现。多数情况下,目标场景的数据集为无标签数据,需要耗费大量的时间和人工成本进行数据集的标注。当应用场景切换后需要重新制作当前场景的数据集,模型的局限性强。无监督学习方法虽然可以快速应用于多个场景,但是目前的无监督行人重识别方法准确率普遍偏低,达不到实际应用的要求。迁移学习的行人重识别方法是通过在已有标签的数据集进行模型的有监督训练,然后将模型应用于无标签的目标场景。但是,由于领域偏差的存在,行人重识别算法跨场景应用时准确率出现大幅下降。针对模型跨场景应用问题,本文提出了一种适应于场景变化的迁移学习模型算法,首先通过引入生成对抗网络进行源域数据和目标域数据的自监督训练,利用训练后的生成器生成目标场景的训练样本,增强行人视觉识别模型的稳定性;其次利用时空特征构建目标场景样本的时空模型,筛选行人重识别过程中低概率的待匹配样本;最后融合识别模型与时空模型的判别结果,得出待匹配样本的匹配结果。通过在行人重识别领域典型的公开数据集Market-1501和Duke MTMC-re ID上与Bo W、PUL、UMDL等先进的无监督算法进行试验对比。实验结果表明,所提算法在Market-1501数据集上rank-1、rank-5及rank-10指标的识别准确率达到66.4%、78.9%及84.7%,相比目前先进的算法,平均准确率提升约7.8%。本文的主要贡献如下:(1)通过引入生成对抗网络生成目标场景的训练样本,提高特征识别模型在目标场景中的识别准确率,使得模型适应于目标场景样本的识别任务。在同等训练条件下,使用生成样本训练后的特征提取模型相比于直接利用源域场景的原始样本数据训练的特征提取模型具有更高的识别准确率。(2)利用特征识别模型初步识别样本的标签信息,根据识别的弱标签构建目标场景监控系统的时空模型,即使在目标场景样本为无标签的情况下依然能够构建较为准确的时空模型。(3)使用目标场景的时空模型辅助图像分类器进行目标行人样本的匹配,筛选低概率的匹配样本,提升图像分类器和时空模型融合结果的识别准确率。