近年来,随着视频监控系统的日益普及,人们对监控系统的自动化和智能化提出了新的更高的要求。行人作为重要的监控对象之一,对其进行自动检测和再识别成为当前计算机视觉领域的研究热点。行人再识别,旨在将不同监控场景下的行人图像进行正确匹配和再识别。本文针对行人再识别面临的诸多问题,从基础的图像预处理,到多尺度融合框架,对该问题进行了较为系统的研究。主要成果和创新点如下:1.无论是基于特征表示还是基于机器学习,提取具有高辨识度的图像特征是行人再识别的基础工作。本文针对在不同的监控场景下,采集到的行人图像具有光照变化明显,图像分辨率低,背景信息干扰三个问题,分别应用多尺度Retinex算法增强图像亮度,采用基于反馈控制的上采样提高图像分辨率和细节信息,提出基于对称信息的FH分割算法提取行人轮廓。上述预处理操作可有效提升原始图像质量,降低计算复杂度,提高再识别准确度。此外,本文提出基于非对称信息的特征提取新方法,以提高图像特征向量度量和匹配的准确度。2.本文将行人再识别视为图像检索问题,以误识别行人图像数量最少作为目标函数,提出基于度量学习的权重自适应多特征Late-Fusion算法。算法首先基于排序损失学习得到每种底层特征对应的优化度量矩阵,再通过权重自适应融合算法将多个特征进行融合,最终得到融合后的相似性度量函数。经过在两个公开数据集上的实验测试和对比,验证了该算法的有效性。3.最后,本文受罪犯裁定原则启发,提出了自适应多尺度融合框架,将多个现有算法的识别结果进行加权融合,得到更为稳定可靠的重排序结果。实验在两个公开数据集上对比了该框架与其他融合算法的再识别结果,验证了该融合框架的有效性。全文从基础的图像预处理工作开始,到提出一种基于度量学习的行人再识别算法,再到设计一种自适应多尺度融合框架。从三个层次对行人再识别问题进行了系统的研究和分析,有效提升了再识别的准确度。