跨域行人重识别是指利用计算机视觉技术进行跨场景的跨摄像机行人检索的技术,在安全领域的海量监控视频的智能分析中有着重要的应用价值,受到学术界和工业界的广泛关注。实际应用场景下的跨域行人重识别系统需要解决以下三个问题:数据无标签、数据实时获取和模型处理时效性。现有的跨域行人重识别模型主要基于无监督学习解决了数据无标签的问题,但是缺乏对实际场景下模型训练数据输入方式的考虑,使得模型对新到来的数据缺乏学习能力。同时现有模型通过设计复杂网络来换取高性能,网络的复杂性会直接导致模型处理速度的下降,无法满足时效性需求。针对跨域行人重识别中的数据无标签,模型时效性差问题,从提升预训练模型提取特征的有效性角度出发,设计了基于多尺度特征有效融合的行人重识别模型EMFF。EMFF模型基于残差网络构建特征金字塔,提取不同尺度的行人特征,使用一种改进的特征融合方式来融合特征,使得融合特征包含更多判别性信息,从而提升模型的跨域性能。基于Market-1501和Duke MTMC-re ID数据集进行跨域实验,EMFF模型在不使用目标域数据的前提下,在CMC Rank-1指标上,两个数据集上分别达到了56.7%和49.8%,在m AP指标上,分别达到了40.3%和40.4%,相比Res Net50基准网络提升了13.7%和23.7%。说明该方法能有效提取行人判别性特征,提升模型泛化能力。在Market-1501数据集上测试模型的时间性能,每张图片匹配检索时间为0.0170s,说明该模型复杂度适中,能满足实时性要求。针对跨域行人重识别中的模型缺乏学习能力问题,基于无监督聚类和增量学习设计了跨域行人重识别模型ILRe-ID。基于无监督聚类学习为无标签数据添加伪标签,利用伪标签训练模型。为了模拟实际场景下的数据输入方式,将数据集划分为多个不重叠的数据集序列,基于无监督增量学习利用不同数据集依次训练模型,模型基于参数调整方式进行在线更新。该模型在Market-1501和Duke MTMC-re ID的跨域实验中,CMC Rank-1指标上分别达到了82.5%和75.1%,超过目前最优方法2.5%和2.1%,m Ap指标上分别达到了59.1%和57.2%,分别超过目前最优方法0.8%和3.8%。说明该方法通过增量学习方式能够更好的实现目标域上的模型域适应,同时模型具有学习能力,能有效应对监控系统中数据实时获取的场景,更适合实际部署应用。