深度学习在图像识别、自然语言处理、语音识别等领域应用广泛。行人重识别是深度学习技术应用的一个热门方向。行人重识别是指在无重叠监控区域的摄像头网络下进行的行人匹配。行人重识别的图像一般来自不同的摄像头,所以在视角、光照、尺寸等方面的变化可能比较大,如何在不同摄像头的条件差异下仍能准确地识别出目标行人是本论文所面临的重要挑战。目前对于行人重识别研究的主流方向有两种:特征表示和度量学习。本文将特征表示和度量学习通过深度学习结合起来,构建基于深度学习的行人重识别系统,主要的工作和内容归纳如下:⑴基于深度学习目标检测网络-RetinaNet进行了目标检测的研究。从检测网络的组成架构上对其进行了详细介绍,选择此网络结构是因其中心损失函数很好地缓解了检测中正负样本不均衡的问题。本文通过PASCAL VOC 2012数据集对检测网络进行了复现,并通过实验仿真验证了所训练的目标检测网络可以在复杂场景中将行人图像检测出来。⑵基于深度学习分割网络-Unet进行了图像分割的研究。原始的Unet网络由于下采样过程会丢失一些原始图像的信息,进而影响了图像分割的效果。为了缓解这个影响,本文提出将输入从单一尺度变为多尺度,然后将得到的输出送进对应尺寸的网络层进行训练的方法。本文将上述方法和原始的Unet对同一个行人数据集进行训练,实验结果表明,本文提出的方法在定量分析和定性分析中都比原始的Unet具有更好的性能。⑶基于孪生网络进行了度量学习算法的研究。由于行人图像的数据集不足,本文采用预训网络达来缓解数据不足的问题。原始孪生网络所学习到的映射函数不足以让同类更近异类更远,本文在预训网络所提取特征的基础上,提出了特征组合的方式来丰富后端网络学习的特征。本文通过在行人重识别数据集Market-1501进行测试,在此数据集上实现了Rank1为85.65%;另外从单张图片的测试效果看,本文提出的方法实现了让同类的得分更高,异类的得分更低。⑷基于Python的图形界面设计。本文采用的界面语言是Python,通过其自带的界面设计库Tkinter将检测、分割、识别功能结合在一起,形成了一个简易的可交互的行人重识别系统。