近年来,行人再识别技术受到学术界和工业界的广泛关注,该技术在拥有巨大潜力的同时也面临着诸多挑战,例如行人图像存在分辨率较低、物体遮挡、行人姿态多样等问题。目前行人再识别的研究主要集中在行人特征表示和距离度量两个方面,前者主要目的是提取最具有代表性的行人特征,后者根据得到的行人特征设计出合适的行人距离度量方法。本文主要研究如何提取有效的行人特征,具体工作内容如下:(1)使用完整行人图像和分割后行人前景图像分别训练Res Net50网络,研究了同数据集和跨数据集条件下行人背景对于识别性能的影响。实验结果表明:在同数据集下使用完整图像具有更好的性能,在跨数据集下使用行人前景图像具有更好的性能。说明网络在学习行人特征的同时也学习图像中的背景特征,需要设计有效的背景消除方案以适应实际应用场景。(2)针对基础Res Net50高级特征丢失过多的问题,提出了多池化融合(Multi-Pool Fusion,MPF)网络结构。通过对全局和局部特征图进行多次不同类型的池化得到多个特征向量,建立了特征图和特征向量的多个独立映射关系,兼顾全局和局部特征,同时实现特征的多细粒度表示。实验结果表明,MPF对于行人再识别的性能具有很大提升。(3)为了消除背景信息对行人再识别的影响,提出了像素级背景消除、特征级无监督背景消除、特征级有监督背景消除三种方案。像素级背景消除方案在输入端直接去除背景信息;特征级无监督背景消除方案利用分割掩码仅保留行人前景图像的特征数据;特征级有监督背景消除方案将特征激活损失函数与行人分类损失函数结合,以监督网络模型提取有用的行人前景特征。实验结果表明,特征级有监督背景消除方案在同数据集和跨数据集中均取得了较好的识别性能。(4)针对结合属性信息的行人再识别模型忽略属性信息与图像区域对应的问题,提出了激活引导属性分类(Activation Guide Attribute Classification,AGAC)模型。该模型包括支路引导行人与属性分类模块以及互斥局部激活模块。支路引导行人与属性分类模块使用相关支路对行人属性进行分类,目的是提高属性特征与属性标签对应的准确性。互斥局部激活模块使得各支路生成互斥的激活区域,在增加整体网络特征表示能力的同时,可以重点提取与属性相关的行人特征。实验结果表明,与现有结合属性信息的行人再识别方法相比,AGAC具有更好的识别性能。