行人再识别也称行人重识别,作为计算机视觉任务中的最新研究方向之一,在安防监控、公安刑侦等公共安全领域有着极为重要的作用。随着科技的不断进步以及深度学习的不断发展,行人再识别近年来也得到了社会各界的广泛关注。基于深度学习的行人再识别方法相比于传统方法虽然有了很大的提高,但是当前的行人再识别依旧存在许多难点。在真实场景中行人所处环境较为复杂,在对输入的视频序列进行特征提取时,如何从含有复杂背景的行人序列中有效的过滤背景噪声并提取更有判别力的行人特征,这对特征提取网络提出了很高的要求。此外,行人序列中可能存在的遮挡问题也给行人再识别带来了很大的挑战。针对上述难点,本文完成了以下研究工作:如何有效解决行人再识别中复杂背景的影响;如何提高网络对输入视频序列的特征提取能力;针对行人被遮挡问题提出相应的解决办法;行人再识别网络的整体优化。本文首先针对视频行人再识别中输入序列背景复杂的问题,采用双辅助序列对原始行人视频序列进行引导。通过光流算法和语义分割算法分别获取原始行人序列的光流序列及掩模序列,利用光流序列和掩模序列能够区分行人前景与背景噪声的特性,将二者共同组成针对原始序列的辅助序列。在行人再识别中将原序列与辅助序列共同作为神经网络的输入,通过两辅助序列来引导特征提取网络对原始序列进行更为有效的特征提取。在网络结构方面,为了从输入的序列中获取更有判别力的行人特征,本文将对比几种最新的特征提取网络结构并结合其优点设计新型特征提取网络。而且,为了针对行人遮挡问题,本文还将空间、时间注意力机制嵌入行人再识别任务中,对基于时空注意力机制的视频行人再识别方法进行研究。通过时空双重注意力机制让神经网络在完成行人再识别任务时能够有效放大输入序列中对识别有效的部分,弱化对识别无用甚至可能起到负作用的部分,让神经网络也能够拥有类似人类的视觉注意力机制,知道该“看哪里”以及“何时看”。并通过大量实验证明了引入时空注意力机制的有效性和合理性。在网络的训练及测试方面,本文将通过实验对比来选择针对行人再识别问题更为有效的损失函数以使网络能够更好的被训练。并针对数据量较小的数据集,采用相似性融合策略,不仅使网络在训练时能够拥有更多的数据量,还能在测试时通过更为有效的评估方式进一步提升行人再识别的准确率。