行人重新识别是智能监控和计算机视觉的重要课题,广泛应用于视频监控领域,是一种利用计算机视觉技术判断图像或者视频序列中是否存在特定行人的技术,一般应用于非重叠摄像头的监控场景中。随着研究的进行和深入,使得行人重识别在破案侦查、无人驾驶、行人轨迹分析等方面有着极大的实用价值。在做了大量调查和实验后,针对一些行人重识别方法中不完善的地方做了改进,并针对现存问题设计了一个基于多分类约束的卷积神经网络,用在行人重识别任务上。本文主要内容包括四部分,一是针对现存的问题优化了卷积神经网络;二是具体说明优化后的算法实现过程;三是对行人检测和行人重识别两个方向做了结合应用;四是通过实验证明算法的有效性和在实际场景中的应用价值。基于深度学习的方法大多能得到较高的识别精度,但是很多模型在设计时,通常是在网络的最后进行图像间的相似性比较,其他层级的图像差别没有考虑,无法利用更突出的局部模块。本文通过对低层特征图的可视化,发现图像正负样本对存在显著性特征差异,因此设计一个多分类约束的深度神经网络结构。比较了多个级别的特征以增强局部相似性,在孪生网络的低层和高层之间加入两个特征差异层,使用损失函数优化分类任务。为了学习更具辨别力的行人特征,用加入随机噪声和随机裁剪的方式增强训练数据,增加样本的多样性。对提取的低层级和高层级的特征进行多级联合训练,达到规定迭代次数后改变训练策略,更换损失函数,提高了模型的表现性能。在两个大型数据集CUHK03和Market-1501的实验结果表明,本文设计的网络结构优于当前的大多数方法。由于大多数研究注重提高重识别的精度而忽略了实时性,因此本文将YOLOv3目标检测网络和行人重识别网络进行结合,组成了能实时检测的行人检测重识别系统。实验中,由于行人检测时帧率很低,无法满足实时性并存在有遮挡问题,因此在行人检测时加入了目标跟踪算法,帧率提升了一倍,并解决了遮挡问题。接着对行人检测重识别网络在实际的监控场景中进行了应用,实验证明行人检测重识别系统在保证精度的基础上能基本满足实时性的要求。