为了实现印刷智能工厂中员工的智能化管理,需要一套智能的行人重识别系统。行人重识别,即在多摄像机网络中将目标对象与其他行人进行匹配。行人重识别使我们可以在多个摄像机中找到同一个感兴趣的目标,在智能工厂中具有广泛的应用价值。由于多种不确定性因素的影响,行人重识别现在还是一个具有很大难度的课题。监控视频中,行人不同的身体姿态、不同的光照条件和不同的视角条件下的显著视觉变化,使得行人自身的变化比行人之间的变化更大。此外,背景杂波和遮挡也会造成额外的困难。本课题受陕西北人印刷机械有限公司的委托,研究印刷智能工厂中,行人信息快速提取和准确识别的问题。本文开展了以下工作:(1)本文提出了一种基于多特征加权距离度量的行人重识别方法。首先,利用人体分区提取多个局部特征,建立了基于多个特征的特征向量,并给出了一种加权的距离度量方法。其次,利用训练集与测试集图像之间的相似性关系,提出了一个排名优化框架。实验中,本文在iLIDS与VIPeR数据集上验证了所提方法的有效性,然后又在上述两个数据集上验证了排名优化的效果,并与多种方法进行了比较,结果表明所提出的方法对视角、姿态等具有较强的鲁棒性,在iLIDS数据集上rank-1的识别率比其他方法高出大约5%～7%不等,且排名优化会提高约5%的识别率;在VIPeR数据集上的rank-1识别率高出其他方法约7%～19%不等,排名优化会提高约1 0%～1 7%的识别率。(2)本文提出了一种基于高斯映射的步态识别方法。步态是行人重识别的常用生物特征,它的主要优势在于它能够在其他行人重识别技术失效的十米以外的远距离上识别行人。本文提出的步态识别方法的特点是距离变换与内部轮廓信息相结合,将身体内部轮廓和边界曲率组合成一个新的特征描述符,比现有的步态特征描述符更为稳健。在广泛使用和具有挑战性的USF、CASIA-B和OULP数据集上评估了所提方法。USF数据集上的结果表明所提方法Rank-1平均识别率达到了54.8%,Rank-5平均识别率达到了70.5%,均高于相比较的方法;CASIA-B数据集上的结果表明所提方法在所有不同视角下的平均识别率都是最佳的;OULP步态数据集上的结果表明在四个不同视角下,所提方法的平均识别率都能超越相比较的方法。(3)为了达到在印刷智能工厂中的实际应用目的,建立行人重识别系统模型,首先对训练集与测试集中的图像进行预处理,接着在行人图像中提取特征,根据获取的诸多特征建立此行人的特征表示模型;最后利用距离度量方法进行距离度量,得到匹配结果。