行人重识别(Person Re-identification)是利用计算机视觉、图像识别方法判断图像或者视频序列中是否存在特定行人的技术。利用行人重识别技术可以获取疑犯逃跑路线信息,寻找走失儿童等,对于城市安防建设有着重要的作用。在监控场景下,由于摄像的角度、光照条件以及行人姿态等问题的影响,使得行人重识别技术面临许多挑战。传统的行人重识别技术基于人工设计的特征,首先提取行人的颜色、纹理等特征,然后使用距离度量来度量行人特征之间的相似度。但是在多场景下,人工设计的特征不具有鲁棒性,传统方法的效果不甚理想。自深度学习被提出以来,在计算机视觉的很多领域取得了巨大的成功,使用深度学习解决行人重识别问题也受到更多研究者们的关注。除了行人的重识别,行人的属性信息识别如识别行人衣服颜色在行人识别中也发挥着重要的作用,在多场景下,监控视频中的行人会面临姿态等问题的挑战,但是行人的属性信息是不变的,例如,行人携带的背包。通过对行人属性识别,可以获得行人的活动特征,有利于商场获取顾客喜好信息等。针对以上问题,本文基于卷积神经网络提出了以下方法:1.提出了一种改进的损失函数。现有的行人属性数据集采集时间和地点都较为固定,因此导致训练集中行人属性正负样本不均匀,本文针对行人属性数据集中属性样本不均衡的问题,提出使用属性数量占比来调整该属性损失函数权重,使得卷积神经网络更关注样本较少的属性信息,从而提升属性识别的准确率。2.提出了一种基于行人属性和姿态的行人重识别网络,针对多场景下行人姿态不同的问题,本文首先检测图象中行人的人体关键点,然后使用人体关键点信息生成行人姿态图片。生成的行人姿态图片更关注行人的局部特征信息,而且可以减少背景信息的影响。因此,使用该姿态图像提取行人的局部特征,使得网络学习到可能在全局特征中容易被忽略的的行人特征信息。在网络中,使用行人属性信息提升网络模型的性能,加入dropout层防止网络过拟合。该方法不仅可以对行人进行重识别,还可以识别行人属性信息。本文在公开数据集Market-1501和DukeMTMC-reID上进行了实验的设计和测试,通过实验验证了本文方法的有效性。