社会公共安全问题,一直是人们关注的重点和热点问题。基于摄像设备的视频监控系统,已经广泛应用于各个公共场所中。要保证视频监控能够作为维护社会公共安全重要的辅助手段,能够发挥其作用,公共安全监控视频的处理技术至关重要。提高监控视频的处理能力,能够有效的提升处理监控视频的工作效率,保证信息的准确性、实时性。尤其是在公安监控处理中,有重要作用。寻找目标行人,是处理监控视频的目的之一。行人再识别问题的含义是,在监控摄像头非重叠的区域,对于目标行人进行行人匹配,即判断在不同位置,不同时刻拍摄的行人是否是目标行人。随着深度学习的发展,基于深度学习的行人再识别成为行人再识别研究主流,基于深度学习的行人再识别可以提高计算机进行行人再识别的效率,降低成本。本文通过对行人再识别领域国内外研究现状的分析,选择通过训练深度神经网络DenseNet的方法,进行行人再识别任务。本文主要研究内容和贡献如下:1.行人再识别的前置环节是行人检测,即行人检测是行人再识别的基础。因此,本文研究了基于深度学习的目标检测网络Faster R-CNN的理论基础和训练方法,并将Faster R-CNN网络运用到了行人检测中,编码实现了基于Faster R-CNN网络的行人检测算法。2.本文研究了深度神经网络DenseNet的网络结构和特点,研究了三种常用的损失函数的特性和优缺点,并应用到DenseNet网络中。通过对常用的损失函数的研究,针对一般的损失函数不能很好地缩小同一行人的类内间距,扩大不同行人之间的类外间距的问题,提出了基于三种常用的损失函数的复合损失函数模型,并研究了其特性。通过实验验证了基于该复合损失函数模型的改进DenseNet网络,可以有效地提高行人再识别的准确率。3.针对DenseNet网络的深度较深,易丢失图像低层特征的问题,本文通过研究VGGNet-16网络的网络结构和特点,利用VGGNet-16网络提取的行人特征图像,可以很好地保留图像的低层特征。本文将VGGNet-16网络与DenseNet网络以并联的方式进行特征融合,通过实验验证了VGGNet-16网络与DenseNet网络的并联模型可以提高行人再识别的准确率。4.针对跨视域的行人再识别图像的背景不同且背景较为复杂的问题,本文研究了注意力机制算法,该算法能够减小不同背景和复杂背景的影响。本文将注意力机制模块引入到深度学习网络DenseNet中,通过实验验证了引入注意力机制的DenseNet行人再识别模型可以很好地提高行人再识别准确率。5.本文应用了本文提出的复合损失函数,把它引入到VGGNet-16网络与DenseNet网络的并联模型中,同时引入注意力机制,研究了一种基于DenseNet网络的改进行人再识别模型。基于DenseNet的改进行人再识别模型能够很好地减小同一行人的类内间距,扩大不同行人之间的类外间距,并保留行人图像的低层特征,还可以减小不同背景和复杂背景的影响。通过与原始未改进的基于DenseNet的行人再识别模型对比实验,验证了基于DenseNet的改进行人再识别模型能够显著地提高行人再识别的准确率。