行人重识别是近年来在计算机视觉领域兴起的一项新技术,它是许多安防和监控应用中的重要任务,在计算机视觉研究领域上也引起了越来越多的关注。行人重识别指的是在非重叠镜头视域中检索出目标行人。由于多个镜头拍摄的场景和拍摄角度是完全不相同的,假设我们要对某个镜头中拍摄到的目标行人进行重识别,即在其他的镜头中检索该行人,除了要考虑目标行人本身在不同镜头下外观上的不同,还要考虑其他行人的影响,比如该目标行人需要与其它镜头中的多个行人都进行比较。随着生成对抗网络模型的提出和相关算法的不断演变,基于生成对抗网络的行人重识别研究也取得了良好的进展,利用生成对抗网络生成的图像进行网络模型训练,很好的提升了性能。目前,行人重识别在单个数据集下的性能已经有了显著的提高,但在一个行人数据集下训练的模型,常常不能很好的推广到另一个行人数据集。本文的主要工作如下:(1)由于行人重识别也是图像检索的子问题,本文了引入了细粒度图像检索的思想。本文提出了混合选择性卷积描述符聚合的方法,该方法将选择性卷积描述符聚合的特征与全局平均池化特征相结合,得到最终的行人特征。这种方法可以选择有用的深度描述子,同时通过定位图像中的行人目标来滤除背景噪声。(2)本文提出了多镜头转换GAN(Generative adversarial networks),一种图像到图像翻译的方法。该方法用单个模型对行人数据集多个镜头领域执行图像到图像的转换,即将源数据集的图像转换为目标数据集中多个镜头的风格,并保留了原始图像的标注信息。同时,对于特征学习模型,使用了上述的混合选择性卷积描述符聚合的方法,定位图像中的主要行人目标,滤除背景噪声,保留有用的深度描述符,从而提高检索准确率。