监控设备普及的同时,如何高效的利用从监控设备获取的视频资料也成为了人们研究的热点。监控摄像头大多都处在人流比较集中的地方,行人所处环境变化较大,而且行人重识别涉及跨摄像机的图像识别,由于摄像机自身硬件条件具有差异,从不同摄像机中获取的图像也具有不同的参数。鉴于存储空间有限,提取到的图片像素通常不高,难以在图像中获取清晰可辨的人脸,所以一般通过提取行人的整体外观特征来实现行人的重识别。在特征提取过程中,单一特征难以详细的描述行人特征,通过多特征融合能更好的获取不同特征的可鉴别性,但同时也增加了特征的冗余性,而低秩表示可以去除信息中的冗余性。本文对行人重识别的特征提取过程做了如下工作:(1)非负矩阵分解模型在行人重识别特征提取方面的研究。在非负矩阵分解中引入分数阶全变分正则化,构建新的非负矩阵分解模型,并将其应用于行人重识别的特征提取。利用改进后的非负矩阵分解算法提取目标行人的特征信息,并通过实验与其它特征提取方式进行对比分析。(2)采用鲁棒多重集典型相关分析方法融合以下三种特征:颜色特征、基于纹理特征生成的中层语义和由新的非负矩阵分解算法提取的特征。融合过程中,根据不同特征单独应用于行人重识别时的精确度赋予该特征相应的权重,用以提升特征的可鉴别性。以多特征融合后生成的新特征作为行人重识别的特征信息,在不同的行人数据库上进行对比实验,验证了算法的可行性。(3)低秩表示模型改进及在行人重识别中的研究。将低秩模型与非负矩阵分解模型融合,获得的新模型能更有效的对不同类型的数据进行处理,去除特征信息中的冗余部分,将改进后的模型运用到行人重识别。在行人数据集上算法进行实验,表明了方法的有效性。