随着智能监控的发展,产生了大量的监控数据,通过人工去查看,效率很低且准确率难以保证,利用行人重识别的方法对监控数据分析可以克服这些缺点,因而在近年越来越受到重视。但是多数行人重识别方法关注可见光图像,而可见光图像在不良照明情况下缺失信息,难以做到对监控场景的全天候监控,此外,多数研究关注于行人重识别算法本身,而对行人重识别系统中的行人检测研究较少。本文将红外图像和可见光图像结合,研究了全天候行人重识别系统的相关理论和方法,主要工作如下。1.研究了将红外图像和可见光图像结合的多光谱行人检测方法。以YOLO v3目标检测框架为基础,设计了中期融合的网络结构对红外图像和可见光图像进行融合,通过两个不同的卷积神经网络分支分别对红外图像和可见光图像进行特征提取,为了提高全天候场景的行人检测效果,针对红外图像在夜晚场景下成像较好,可见光图像在白天场景下成像较好的特点,引入光照信息感知子网络对经过双分支网络提取的特征进行学习,得到光照信息权重,在三个尺度上用光照信息权重对分类和回归分数进行加权。最后通过在KAIST数据集上实验得到了29.13%的丢失率和0.21s的运行时间,与其它算法对比,本章方法在精度略高的情况下运行时间减少了0.27s,检测效果和运行效率较好。2.研究了红外行人图像和可见光行人图像的跨模态行人重识别方法。针对红外图像和可见光图像这两种不同模态在特征上差异大的问题,采用Res Net-50残差网络作为骨干网络,设计了双路网络来对红外图像和可见光图像进行特征提取,并通过共享卷积层参数对红外图像和可见光图像的不同模态信息学习;为了解决同一行人在不同模态下的距离大于不同行人在同一模态的距离的问题,在行人重识别排序损失的基础上,引入了跨模态的排序损失和模态内的排序损失,为了进一步利用行人的身份信息,使用行人的身份损失进行约束。最后通过实验验证本章方法在SYSU-MM01和Reg DB数据集上的Top20命中概率分别达到了81.8%和74.81%,m AP分别达到了26.49%和35.32%,取得了较好的重识别效果。3.设计并实现了全天候智能监控的行人重识别系统。为了验证上述算法在全天候场景下的应用效果,设计并实现了由行人检测模块和行人重识别模块组成的行人重识别系统。所设计的系统以Py Torch机器学习库和Open CV计算机视觉算法库为基础,使用C++/Python语言编程;系统读取摄像头视频或保存的监控图像后,依次经过多光谱行人检测模块和跨模态行人重识别模块处理,得到最终的行人重识别结果,验证了所实现的系统完成了全天候监控系统的功能。