安全,是追求一切发展的前提。智能安防就是为了保障我们的人身、财产等安全,避免偷盗、抢劫、遗失等不安全事件发生或再次发生。通过视频监控技术,事前可以通过分析前期行为预知潜在的不良事件发生;事后可以通过轨迹追踪及时弥补损失。随着视频监控网络的健全,仅凭人力观看每天产生的指数倍增长的数据,不仅耗时耗力,甚至会错失最佳应对处理的时机。自动监控技术,如行人重识别,就可以解决这些问题。行人重识别是一种跨摄像头匹配目标人物的技术,即通过分析监控网络采集到的数据,从而实现自动追踪、匹配行人的目标。随着深度学习不断趋于成熟,行人重识别研究也有了新的突破。但行人重识别仍然需要应对很多的阻碍,如低分辨率、它物遮挡、拍摄视角不同、拍摄光照不同、人的姿势改变等,这些情况都会干扰最终的识别结果。现有的方法侧重于处理由于照明、背景混杂和姿势变化等所造成的不一致问题,但却忽视了因为低分辨率而引起的图像数据质量差的问题,这在一定程度上会削弱行人重识别模型的性能。为了解决上述问题,本文提出了一个基于多分辨率监控数据的行人重识别模型,用来有效地跨设备匹配分辨率不一致的人物图像。我们研究的主要内容如下:(1)行人重识别公开数据集的处理:现有的数据集中没有完全符合我们需求的数据,即图像是多分辨率的且多分辨率图像间有明确的对应关系。我们通过双线性插值算法模拟实际情况拍摄的低分辨率的图像。(2)针对现有行人重识别研究的局限性,我们提出一种端对端的基于多分辨率监控数据的行人重识别模型。此模型是一种结合超分辨率重建技术和行人重识别技术的混合模型。(3)我们采用模块化设计方案,结合残差密集块、Inception模块和集中注意力模块,构建稳固的行人重识别模型;并采用多任务训练的方式,共同优化超分辨率重建和行人重识别两个子任务。(4)将提出的模型与传统的低分辨率行人重识别算法以及超分辨率重建和行人重识别混合方法进行对比,并分析提出模型各个关键设计对最终结果的影响程度。通过实验表明,本文提出的基于多分辨率监控数据的行人重识别模型在识别性能方面优于大多数现有模型,模型的各个关键设计都是必不可少的。