行人再识别就是对两个或多个不存在交叉重叠监控区域的摄像头所拍摄的行人进行匹配,判断是否为相同行人。随着监控网络的普及,该技术结合目标检测、跟踪等技术可以应用到智能视频、智慧管理等领域。行人再识别成为一个热点课题,研究人员也提出了许多方法去解决各种问题,如摄像机视角、行人姿态、天气光照变化等。不同于传统的特征提取和度量学习的方法,本文通过深度卷积神经网络来研究行人再识别问题。本文为了提取具有分辨力和鲁棒性的行人深度特征进行了以下的方法研究,包括:1.针对行人图像中由于视角、姿态、服装变化等原因,造成相同行人的图像之间产生较大差异的问题,通过两种具有互补特性的损失函数来共同监督网络的训练,也就是利用基于混合损失的卷积神经网络来研究行人再识别问题。该方法可以在对行人图像正确分类的基础上,使得同类行人图像向一个中心聚合,从而拉近相同图像特征的距离,提升特征的表达能力,并通过实验证明了本方法可以有效改进行人再识别的效果。2.进一步针对在实际场景中由于“类间”图像比“类内”图像更相似造成的行人再识别准确率较低的问题,提出了一种基于Siamese网络并结合双向最大边界排序损失的行人再识别方法。主要通过联合识别损失和排序损失监督网络在训练集上的训练,通过正样本对的相似度值减去负样本对的相似度值大于预定阈值这一判定条件,在约束“类内”关系的同时,确保“类间”距离大于“类内”距离,进一步提升识别准确度。使用训练好的神经网络模型在行人数据集上进行实验,与其他典型的行人再识别方法相比,本方法展现出较好性能,可以有效提高识别率。