作为智能视频监控中的一个重要组成部分,行人再识别的目标是在非重叠摄像机网络中匹配和关联指定的查询行人,主要用于视频内容分析和多媒体检索等领域。然而,由于在实际应用中的监控环境不可控,行人再识别因为背景的复杂性、人体的非刚性和摄像机参数的多样性等因素变得极具挑战。传统的基于人工设计特征的行人再识别方法,主要依赖于研究者的经验,往往不能应对时刻变化的实际场景。深度学习以逐层映射的非线性处理方式,能够从原始图像数据直接开始进行特征学习,并在图像分类、图像检索等视觉处理任务中取得了显著的进步。因此,本文提出基于深度学习的行人再识别方法,主要工作如下:(1)提出一种基于深度哈希函数的行人再识别方法。鉴于其跟图像分类和图像检索任务间的关系,本文将行人再识别问题按照分类的思想进行二值语义特征的学习,在Alex Net的基础上添加隐藏层作为哈希层,同时为保证学习到的哈希特征更具区分性,又在多分类损失函数的基础上添加哈希约束项。首先,使用ImageNet数据库进行预训练,使得网络具有良好的初始值,增强其特征泛化能力。然后,在目标数据库上进行微调,使网络更适用于行人再识别任务。最后,分别提取查询图像和候选行人图像集的哈希特征向量,通过比较两者之间的汉明距离进行相似度排序。实验结果表明该方法具有较高的rank-1准确率,提取的哈希码特征占用较少的内存和较快的匹配速度。(2)提出一种改进的Siamese网络,通过引入成对一致Dropout策略,改善验证网络性能,同时为充分利用公开数据库中的标注信息,本文将分类网络和验证网络进行联合,结合两者各自的优势,使得训练的模型能够在学习具有区分性特征的同时学习一个相似度度量函数。基础网络分别采用CaffeNet和ResNet50,实验中为保证更接近真实场景,使用基于检测器获取的Market1501和CUHK03数据库,实验结果表明该模型比单独的分类和采用标准Dropout策略的联合网络具有更高rank-1准确率,优于多数算法。