随着深度学习技术的发展,行人检测与重识别技术越来越广泛的应用到智能交通、智能安防、智能识别等领域。深度学习的行人检测与重识别相比传统检测与重识别方法在精度与速度上有了显著的进步。但由于现实场景中受行人遮挡、行人尺度过小、行人视角多变等不良因素影响,行人检测与重识别依然面临着严峻的挑战。针对上述问题,本文对行人检测与行人重识别方法进行了改进,其主要工作如下。行人检测方面:针对通用目标检测算法SSD应用到行人检测任务中,对中小尺度行人容易产生漏检问题。本文首先将SSD基础网络结构VGG替换成了特征提取能力更强的ResNet50网络,然后通过Top-Down Modulation结构将高层卷积网络的语义信息融合浅层卷积网络上。实验表明对SSD网络结构的优化,能提升对中小尺度行人的检测能力。SSD是一种通用目标检测算法为了适应不同尺度目标检测,在不同卷积层产生不同尺度宽高比例的默认框,SSD产生的默认框有很多与行人尺度不匹配,造成网络难以优化难以收敛。为此,本文改用聚类算法在行人检测训练数据集上生成默认框。实验表明通过聚类产生默认框,提升了默认框与行人尺度的匹配度,缩减了默认框的数量,降低了计算量,使得网络预测回归更为准确,对算法性能有一定的促进作用。行人重识别方面:首先分析对比各种行人重识别损失函数,并在Minst数据集上进行了特征可视化。从难样本三元组损失(Triplet loss with batch hard mining)特征分布结果看,依然有少数样本特征较大的偏离了本类的中心。为此,基于行人重识别损失极小化类内距离优化思想,在原有的难样本损失上新增了中心损失约束,增强了其类内约束。实验表明改进后难样本三元组损失类内特征分布更紧凑。为了实现各损失函数之间的取长补短,本文探讨了将交叉熵损失与三元组损失协同作用卷积网络上。对比实验表明,改进难样本三元组与余弦交叉熵(Angular softmax loss)这种组合互补性、协调性更高,对提升算法性能更好。实现了一个简单的行人检测与重识别系统,该系统可用于对行人活动区域的定位,具有较强的实用价值。在影视节目中剪切200张图片,自制了数据集,在自制数据集上测试了系统的性能。实验表明该系统检测精度与速度能满足业务需求,但识别精度有待进一步提高。