多摄像机协同行人监控是现代视频监控系统的重要发展方向,但摄像机之间的“空间盲区域”破坏了来自不同摄像机的多段行人运动轨迹的连续性。行人再辨识技术试图通过视觉比对的方式将不同摄像机所拍摄的属于同一个行人的图像或者视频片段关联起来,以解决“空间盲区域”问题。行人再辨识技术是实现多摄像机协同行人监控的关键步骤。基于以上背景,本学位论文主要研究了无交叠摄像机网络中的行人再辨识问题。论文主要包括针对特定摄像机对之间的颜色特征重构、综合特征的跨模态匹配以及针对整个摄像机网络的数据自适应局部度量学习方法。这些方法有效克服不同应用场景下光照条件、摄像机参数、摄像机与行人之间的视角、行人姿势以及遮挡等因素对再辨识系统的不利影响。具体来说,本文的主要研究内容有：(1)针对特定摄像机对之间光照条件和摄像机参数的差异所导致的图像颜色信息偏移和失真,本文提出了基于低秩矩阵填充的行人再辨识方法。通过分析光照条件和摄像机参数对颜色信息的作用机理,我们得到特定摄像机对颜色信息之间存在线性变化关系的结论。利用这种线性关系,我们使用跨摄像机颜色特征构造具有低秩属性的特征矩阵,并利用低秩矩阵填充来实现查询图像颜色特征在数据库摄像机颜色空间中的重构。由于重构特征与数据库特征具有相同的光照条件和摄像机参数条件,所以当我们使用重构特征代替原始查询特征进行最近邻搜索时,可以有效消除颜色偏移和失真对图像匹配的不利影响。此外,我们在矩阵填充模型中添加噪声项,以消除随时间变化的光照条件对颜色信息的细微影响。在VIPeR和CUHK02-P1数据库上的实验结果表明本方法可以有效克服图像颜色的偏移和失真问题,提高系统在行人再辨识问题上的性能。(2)在特定的一对摄像机之间,行人综合特征受到光照条件摄像机参数、摄像机与行人之间的视角、行人姿势以及外部遮挡的综合影响,其数据分布具有跨模态和差异多样性的特点。针对这种数据分布情况,本文提出了基于Ada Boost跨模态投影的行人再辨识算法。我们使用AdaBoost模型学习跨模态投影集合,每一次迭代学习一个跨模态投影模型,用于处理一种数据分布差异。不同模型之间各司其职且功能互补。每个投影模型由一对投影函数组成,它们分别负责将处于不同模态的数据投影到公共数据模态中并完成相似度计算。因此跨模态投影集合能够有效处理跨模态和数据分布差异多样性的问题。我们分别构建基于哈希投影函数和线性投影函数的跨模态投影集合并进行分类器级别的融合。在实验部分,我们使用CUHK02-P2数据库进行模型参数配置的交叉验证,然后在VIPeR和CUHK02-P1数据库上进行算法性能评估。实验结果证明了我们提出方法的有效性。(3)针对整个摄像机网络而言,每一张行人图像的拍摄环境都各不相同,导致其对应的特征具有独特的数据分布。针对这种多样性的数据分布,我们提出了基于数据自适应局部度量学习的行人再辨识算法。我们为每一个图像特征学习一个独特的局部投影矩阵。所有的特征经过局部投影之后处于相同的特征空间中,消除了数据分布的差异,从而保证了最近邻分类效果。此外,投影矩阵的适应性调整还可以保证模型对其他数据分布下的样本也具有泛化能力,提高了模型的实用性。在计算局部投影矩阵的过程中,我们使用基于LCC的近似学习方法,根据当前特征样本的局部编码,我们使用若干“基本投影矩阵”的线性加权来近似表示当前样本的局部投影矩阵。实验结果表明：与参考对比算法以及现有主流的行人再辨识算法相比,本算法在克服数据分布多样性和泛化能力上都有较好的表现。