1.1选题目的及意义

行人重识别（Person Re-Identification）是指在非重叠视角域多摄像头网络下进行的行人图像识别，即确定不同位置的摄像头在不同的时刻拍摄到的行人目标是否为同一个人。

社会安全问题一直是国家以及个人密切关注的问题，视频图像采集技术和数据存储技术不断地提升，大量安装在公共场所比如医院学校社区地铁站火车站飞机场等形成了大型摄像机网络。视频监控已经成为公安部门侦破各种形式案件的有力手段。同时，摄像机网络也为交管部门提供了实时路况信息，方便交通管理。视频监控也对个人安全和利益提供了保障，减少了盗窃犯罪等现象。所以对行人重识别的研究是很有必要的。

目前人们对大型分布式摄像机网络的应用还处于初级阶段，并且大多停留在通过人工的方式对特定的几个摄像头进行监察，视频监控网络的快速发展给传统人工视频监控带来了巨大的挑战，怎样能使监控视频的分析和利用更加智能化是一个亟待解决的问题。

近年来，随着计算机处理能力和并行计算技术的迅速发展，激素那几视觉技术在实际应用中得到了广泛的应用，比如人脸识别，光学字符识别，车牌自动识别技术等。研究者将在多个摄像头网络下行人检索问题称为行人重识别问题，行人重识别是指在非重叠视角摄像头网络下进行的行人匹配，及如何确认不同位置的摄像头在不同时刻发现的行人目标是否为同一人。

1.2国内外的研究现状分析

行人重识别的研究最早可以追溯到2003年。2006年在计算机视觉国际会议CVPR上提出^[1]，2007年Gray等人^[2]剔除第一个公开的行人重识别数据库VIPeR.但同时代技术上有所发展是从2008年开始的，目前研究者对行人重识别问题越来越关注，近年来，计算机视觉技术关于行人重识别的研究有了爆炸式增长，大量论文发表在重要会议和杂志上。2007年Perronnim等人^[3]提出采用Fisher核的编码技术对视频图像进行编码，生成Fisher向量，然后使用Fisher向量对图像进行分类。Fisher向量在物体识别和图像检索方面得到了良好的应用^[4]，2008年，Grey等人^[8]剔除ELF算法，该算法将行人重识别问题转化为分类问题，采用自启发学习算法一次学习除有助于提高分类进度的特征，将特征集成最终特征，用以表征行人图像。2014年Ma B等人^[5]将Fisher向量和表示人物图片信息的七维特征相结合对行人进行描述，用于行人重识别研究，协方差描述子能狗很好的描述物体的外貌特征^[6]，2010年，ProsserB等人^[9]提出一种基于支持向量排序的行人重识别方法，用集成RankSVM来学习特征表示的子空间，但是对大规模数据集计算代价较大。2014年，Bak S等人^[7]利用协方差描述子对行人进行表示，该方法取得了不错的效果，2014年，Liu C等人^[11]提出了将全面比较和最新图像特征评估相结合的行人重识别方法。2014年Varior R R等人^[8]提出了JLCF行人重识别算法，该方法通过将两个摄像头拍摄到的行人图像像素特征转化到一个稳定地表示空间中，然后从该空间中学习稳定的鲁棒的色彩特征。2014年，LiA等人^[10]为了解决在非控条件下摄像头采集图片像素质量差和简单采用行人衣服颜色特征存在不同行人之间有很多相似问题，提出了采用边框对行人进行检测后再提取行人的底层视觉特征，用Latent SVM对行人进行分类等等。国内研究状况则诸如文献[12]到[15]皆有不同的创新改进。

2. 研究的基本内容与方案

2.1研究的基本内容

行人重识别是视频监控系统中的一项关键技术，其主要目标是在若干不同摄像头所拍摄的行人图片中，检索到属于某个特定行人的图片。当前主要的相关工作时通过时空特征，度量学习以及排序策略等方法提高识别率。同时，由于监控网络会产生大量的图片，存储空间与检索速度也是行人重识别技术需要解决的关键问题。深度学习能有效地提高图像检索效率，离散优化技术能极大地提高检索效率，结合二者能在精度和效率上极大地提高行人重识别算法。

（1）熟悉视频监控以及行人重识别技术的背景与原理

（2）熟悉常用的行人重识别方法，掌握深度学习算法，以及基于离散优化的哈希索引技术