摘要: 行人重识别（PersonRe-Identification，简称ReID），是计算机视觉领域的热点研究方向，主要解决跨摄像头跨场景下行人的识别与检索，具有重要的研究意义和广泛的应用前景。该技术亦可作为人脸识别技术的重要补充，对无法获取清晰人脸的行人进行跨摄像... 展开 行人重识别（PersonRe-Identification，简称ReID），是计算机视觉领域的热点研究方向，主要解决跨摄像头跨场景下行人的识别与检索，具有重要的研究意义和广泛的应用前景。该技术亦可作为人脸识别技术的重要补充，对无法获取清晰人脸的行人进行跨摄像头连续跟踪。本文以人体关节姿态的图表示为辅助特征，联合深度学习和图推理，重点研究并解决行人重识别特征提取不充分、小尺度行人识别精度低和关键点之间的关系被忽略等问题，针对性地提出了三种网络模型。本文的主要研究成果如下： （1）提出了一种基于多尺度特征融合的行人重识别网络（Multi-ScaleFea-tureFusionNetworkforReID，MS-FFN）。MS-FFN通过对不同尺度的特征进行融合，以提升模型的行人重识别性能，增强特征的表示能力，使模型性能有所提升。在Occluded-Duke数据集上的实验结果表明，与目前主流的算法相比（如HONet），所提MS-FFN模型的R1准确率提高了0.5%。 （2）提出了一种基于位置注意力的行人重识别网络(LocationalAttentionNet-workforReID，LANet)。LANet通过将位置信息嵌入通道注意力，联合学习位置和通道特征，从而提高行人重识别模型的性能。在数据集Occluded-Duke上的实验结果表明，与主流的HONet相比，所提LANet模型的R1准确率提高了1.1%。 （3）提出了一种基于图推理的行人重识别网络（GraphReasoningNetworkforReID，GRNet）。GRNet通过将特征映射到一种隐层交互空间，然后用图卷积进行关系推理，最后将带有关系信息的特征映射回原始坐标空间，从而得到更深层的关系表示。在数据集Occluded-Duke上的实验结果表明，所提GRNet的性能优于上述LANet、MS-FFN和HONet模型的性能，模型的R1准确率分别提高了3.1%，3.7%，4.2%；在数据集Market-1501上的结果表明，相较主流算法(如PGFA)，mAP和R1指标分别提高了5.9%和1.5%。 收起