行人重识别作为智能视频监控分析的关键任务之一,可以自动地对来自多个摄像机视角下的行人图像进行匹配。由于其在智能监控、行人跟踪、行人图像检索等方面的重要性,近年来得到了广泛的关注,并取得了显著的进展。然而,大多数现有方法的训练和测试通常是有监督的,并在单个标记数据集上进行。由于数据集之间的差异,如果将在一个数据集上训练的模型直接部署到另一个数据集上,可能会导致识别精度的显著下降。这意味着这种有监督的单域行人重识别方法在实际应用中具有有限的可扩展性,并且在实际应用中常常缺少特定于数据的标签。通过大量研究发现主要是以下两个问题导致现有方法的可扩展性较差:1)不同数据集间存在很大的差异,将在一个或多个数据集上训练的模型直接应用到测试数据集,会产生严重的域偏移问题;2)缺乏测试数据集的行人标签信息,与基于有监督学习的方法相比,这类方法的识别率会低很多。因此,本文针对上述提出的两个问题进行了相关性研究,并取得一些研究成果如下:(1)为了解决可扩展性问题,提出了一种基于属性-身份嵌入的自监督学习算法,通过从目标域中选择未标记的样本来逐步优化模型,从而弥补源域和目标域之间的差距。具体来说,首先提出了一个属性-身份联合预测字典学习模型,用于同时学习潜在属性字典、语义属性字典和身份鉴别器。该方法利用潜在属性空间中的预测属性作为桥梁,在不同域之间建立一个初步的连接,从而预测目标域样本的标签。其次,为了挖掘预测样本所包含的潜在身份信息,提出了一种预测-训练循环自监督学习来调整模型变量,使其在目标域中更具有适应性。最后,将属性空间与潜在身份空间相结合,实现了行人的相似性度量。(2)为了消除数据集自带的域信息以及行人姿态信息的影响,提出了一种基于矩阵分解和超图结构对齐的字典学习算法。具体来说,模型主要包括两个新颖的成分:(a)基于矩阵分解的思想,将原始的视觉特征分解为姿态不变成分、域信息成分及干扰信息成分,目的是为了提取不受域信息和行人姿态信息影响的视觉成分,同时还进一步消除了行人之间的干扰成分对识别的影响;(b)为了进一步提高算法的适应能力,考虑到语义属性的域不变性,通过引入超图结构对齐约束来建立姿态不变特征和语义属性的关系,以便后期能准确预测目标数据的行人属性,最终联合行人的姿态不变特征和语义属性实现行人相似性度量。