近年来,国家在快速向信息化、智能化的方向发展,对人工智能技术的研究显得尤为重要。计算机视觉作为其重要组成部分,在智能监控、无人驾驶、智慧交通等领域有广泛的应用价值。而行人作为视觉中最值得关注的对象之一,国内外学者对其进行了大量的研究。为了实现监控场景下的行人重识别任务,同时提升行人检测的速度与行人重识别的精度,本文就智能监控下的行人检测与重识别问题展开研究,主要工作如下:(1)为了能够快速准确地检测出监控图像中的行人目标,设计了一个融合感受野结构的轻量级行人检测模型。具体地,为了减少模型参数量,提高行人检测速度,设计了一个卷积层最大通道数仅有256的轻量级特征提取网络,用于提取图像中有效的特征;此外,为了提高模型检测精度,在轻量级特征提取网络中引入改进的感受野组件,以提取判别力更强的特征;最后,为了使模型能够更加准确地检测图像中大小各异的行人,从特征提取网络中选取六个不同尺寸的特征图,并针对行人形态分布特点为每个特征图设计不同的锚点框,进行类别预测与位置预测。实验结果表明,该模型不仅能够准确地检测图像中的行人,还在一定程度上提高现有目标检测模型的检测速度。(2)为了解决行人图像之间的匹配问题,设计了一个多粒度行人重识别模型。具体地,为了提取出包含信息更全面、判别力更强的行人特征,设计了一个多粒度特征提取网络,分别从Res Net50主干网络Conv4和Conv5的特征图上提取不同粒度的全局特征与局部特征;此外,为了使模型能够学习出更好的网络参数,采用联合表征学习与度量学习的训练方案,在模型中设置标签平滑ID损失和Batch-Hard三元组损失。实验结果表明,该模型能够准确地匹配行人图像之间的关系,具有一定的有效性和先进性。(3)为了实现监控场景中的行人重识别任务,设计并实现了一个行人检测与重识别系统。具体地,给定一幅查询图像,系统首先采用融合感受野结构的轻量级行人检测模型从监控图像中检测出所有行人;然后,采用多粒度行人重识别模型分别提取查询图像与检出行人图像的特征,并计算特征之间的欧氏距离;最后,根据距离大小从监控图像中找出与查询图像ID相同的行人并进行标记。实验结果表明,该系统具有一定的有效性和实用性。