行人再识别是计算机视觉领域中的一项重要技术,其目的在于匹配在不同监控摄像头下出现的行人。特征表示和度量学习是行人再识别技术中的两个关键组成部分。特征表示是一个具有挑战性的问题,因为不同视角下的行人视觉外观可能有很大变化。因此,设计一种有判别力且稳定的特征用于表示行人图像,对于应对行人再识别任务中的众多挑战是至关重要的。本文针对行人再识别算法中存在的问题,提出了一个基于增强深度特征的行人再识别方法。首先,该方法以识别-验证网络为基础,在其中引入了多级注意力机制用于提取具有强判别力的深度特征。其中,区域级注意力机制能够定位行人图像的关键区域,从而应对由检测误差导致的错位问题;通道级注意力和像素级注意力分别能够在通道水平和像素水平上校正特征图响应,使网络提取出更加准确的行人深度特征。然后,该方法将手工特征植入到卷积神经网络之中并使其参与到最终特征的构造过程中,由此利用手工特征和卷积神经网络特征之间的互补性。最后,本文设计了一个特征重建模块用于学习一个高效的方法融合手工特征和深度特征,由此得到的增强型深度特征将同时具有两类特征的优点。本文在现有的行人再识别公共数据集Market-1501、CUHK03和VIPeR上进行了大量的实验和对比分析。实验结果表明,与基准方法相比,本文方法在Rank-N准确率、累积匹配特性曲线和绝对平均精度上都得到了提升,并且与多种现有的方法具有可比性,这证明了本文方法的有效性。