行人再识别技术是指利用自然场景中的多个摄像头,检测和识别在不同视域摄像头下是否存在特定行人的技术,因其在行人追踪和智能安防等领域中有着巨大的潜力,因此在学术界和工业界一直是研究的热点。随着研究者们对该技术研究的不断深入,陆续提出了许多优秀算法并取得了令人满意的好成绩,然而目前行人再识别技术实际落地的应用场景并不多,一个关键因素是不同场景之间存在着不可避免的偏差,导致目前行人再识别模型的跨场景泛化能力差,这对该技术的广泛应用造成了极大的阻碍。虽然基于迁移学习和对抗生成网络的方法能在一定程度上缓解该问题,但这两种方法存在着效率低、成本高的缺点。本文针对跨场景问题展开探讨,创新性的首次利用行人服装图案提取语义特征并将其迁移应用在该问题中,通过实验对比结果证明了该方法的有效性。本文主要研究工作如下:(1)为充分利用服装图案中的有效信息,本文采用了一个新的大规模服装数据集来进行分类训练。该数据集包含超过340000张高质量服装图像,采用改进的Faster R-CNN检测技术进行细粒度的检测与剪裁,服装数据根据属性相关性构建层次化知识标签,通过使用多任务学习层次化知识特征,构建出服装分类模型。(2)本文将服装分类模型的特征迁移应用到行人再识别领域的跨场景任务中,为验证该模型跨场景的泛化能力,首先选择了合适的相似度度量方法,其次在三个标准行人再识别数据集上进行了测试对比实验,实验结果证明了本文方法在解决行人再识别跨场景问题的有效性。通过使用获取成本低且规模大的服装数据集代替原有的行人再识别数据集进行训练,使得该方法能够减轻行人再识别数据集昂贵的获取成本,具有较好的实际应用前景。