基于无重叠区域的行人重识别问题是模式识别领域的重要分支,此技术的任务是判断非重叠区域的多摄像机网络中穿梭于监控视频场景的行人是否是同一个人。因而行人重识别问题在安防部门和交通部门的管理等工作都具有十分重要的应用价值,当然在商业领域也有广泛的应用前景。然而,目前而言,由于行人重识别问题的应用场景十分复杂,包括多摄像机网络中的背景遮挡,不同时间段内光照和角度的变化以及行人外观姿态上的变化等,该项技术还面对着很大的挑战。近年来,对行人重识别的研究主要分为两个方面:(1)针对行人外观特征描述符进行研究,设计出对行人外观姿态变化、光照角度变化等因素具有鲁棒性的行人特征表示描述符;(2)针对特征之间的度量学习方法进行研究,设计出更具判别性的距离度量函数,该函数可以令属于相同行人的图像之间相似性远远大于不同行人图像之间的相似性。本文针对上述提及的行人重识别问题中存在的挑战,在基于单帧图像和视频序列行人重识别都展开了相关研究,具体如下:(1)为了抑制复杂背景和遮挡造成的不良影响,本文提出了基于行人外观增强模型的行人重识别方法,该模型通过运用优化后的流形排序算法来设计鲁棒视觉显著加权特征。具体而言,根据构图关系,初始化背景种子信息来获得背景增强值和前景种子信息,再计算前景增强值。随后,将前景和背景增强值相结合得到最终的行人外观增强效果。最后,将外观增强效果和局部最大发生率特征相融合,构建更加鲁棒的行人外观增强的特征模型,该特征模型对行人身体区域进行了有效的增强,同时也很好地抑制了图像中背景区域的影响。(2)针对基于视频序列的行人重识别问题,如何表示视频序列是行人重识别中的重要问题。我们观察到,视频序列的行人重识别数据集中每个视频序列都存在很多外观相似度极高的视频帧,表示研究过程中存在很多的信息冗余。基于这种观察,本文提出了一种时空信息代表子集选择的方法来选择代表子集代替整个视频序列。具体而言,首先利用凸函数将代表子集的选择过程作为行稀疏正则化最小化问题来解决。此外,考虑到复杂背景和遮挡的影响,我们使用重启随机游走模型来设计鲁棒加权块描述子,成功进行了行人外观增强的操作。最后,将交叉视图二次判别分析作为行人重识别的度量学习方法来降低不同相机之间的交叉视角间隙。