近年来,安全问题越来越被重视,监控设备日益普遍,从海量的视频中寻找目标信息往往需要耗费大量的人力。行人重识别是利用计算机视觉技术判断图像或者视频序列中是否存在特定行人的技术。前端摄像装置实时检测人脸和行人图像,将检测的人脸和行人图像通过人脸识别和行人识别技术完成行人重识别任务。行人重识别技术在智能安防领域有着重要的作用。在监控视频中,由于前端摄像装置算力不够,无法实时检测到人脸和行人;摄像机分辨率和角度的缘故导致无法获得高质量的人脸图像,以及行人跨摄像头突变比较大等是制约行人重识别技术发展的关键。针对这些问题,许多学者对深度模型做压缩以满足实时要求;设计更好的损失函数去学习更优秀的人脸识别网络;以及使用度量的方法完成行人识别任务。本文针对如何提高行人重识别精度以及检测模型的实时性问题进行了相关研究。主要研究内容如下:(1)基于人脸质量评价模型的人脸识别算法针对人脸识别过程中低质量人脸图像影响识别速度和识别精度问题,提出了一种基于深度卷积神经网络的人脸质量评价方法。首先采用采用回归和分类的方法预测yaw,pitch,norm值,张嘴,遮挡,模糊,昏暗,闭眼等8种和人脸质量相关属性的概率;然后通过优化目标函数获得最优的分支权重w;最后各分支经过加权计算得到人脸的质量分数;分数越高表示人脸图像的质量越好。不满足质量分数的人脸图像会被过滤掉,把满足质量的人脸推荐给人脸识别模型,从而提高人脸识别精度以及优化人脸识别流程。(2)融合行人属性的行人重识别方法针对行人识别精度低问题。设计了一个多任务网络结构,通过多尺度预测行人属性,把行人属性的特征向量通过一个Rep Net网络融合到行人识别分支,这样行人识别分支包含了更多行人的细粒度特征,从而提高行人识别的精度。(3)基于特征蒸馏的模型压缩算法针对深度模型无法在前端低功耗设备部署问题,本文使用知识蒸馏的方法压缩检测模型。首先,训练教师网络Retian Net-Person和Retian Net-Face;然后,教师网络指导学生网络Mobile Net V2-Person和Mobile Net V2-Face完成训练,帮助学生网络学习更多隐藏信息,使得学生网络提高前向推理速度的同时保持精度。对本文的研究方法在测试集进行性能测试。首先,在测试集上测试人脸质量分析模型性能,实验结果表明,人脸质量模型可以实时过滤掉低质量的人脸;在相同硬件环境下,整个人脸识别流程的速度提高了20倍,精度提高2.3%;实验结果验证了人脸质量模型的有效性。然后,在公开数据集Market1501验证了行人识别算法有效性,m AP相比于优化前提高30.27%,对比当前最优的DSC算法,m AP提高了5.72%,实验结果充分表明了该算法可以有效的提高行人识别的精度。最后,在公开数据集Wider Face和INRIA数据集上,验证了压缩后的检测算法的性能,实验结果表明,使用知识蒸馏的方法将模型大小压缩了100多倍,m AP只降低了几个百分点,进而验证了该算法的有效性。