行人再识别（ReID）,是利用图像处理技术旨在给定需要查询行人的情况下,在数据库中检索指定行人的图像。目前的用于训练行人再识别模型的数据集,来自于仅限的固定采集装置,样本样式风格的多样性匮乏。同时,因为跨域行人再识别技术由于源域与目标域样本差异较大,导致在一个域训练的行人再识别模型直接在另一个域上测验效果时,性能明显不能满足预期。鉴于上述情况存在的疑难,本文运用基于深度学习的ReID的方法开展研究。主要运用深度学习中的相关算法及理论技术,对行人再识别以及跨域行人再识别开展研究。首先,提出一种跨域图像风格迁移的ReID方法。此方法使用改良的循环生成对抗网络结构,能够使得来自不同数据集的不同摄像机捕捉到的图像数据进行样式风格迁移,解决现有的跨域行人再识别技术中源域与目标域样本差异较大的问题,提升跨域行人再识别的测验效果。其次,提出了一种基于正负样本训练的单域图像样式风格迁移的ReID方法。该方法同样使用改良的循环生成对抗网络框架,能够使得同一个数据集内的不同摄像机捕捉到的图像数据进行样式风格迁移,可以通过较低成本来提升单域图像样本风格的多样性。此方法把样式风格迁移后的数据作为负样本,样式风格迁移前的数据作为正样本,将正负样本同时送入模型训练,并且在控制正负样本输入比例的同时,通过不同的损失函数来优化正负样本的损失,进而提升模型的泛化能力。本文在学术和实际应用的贡献如下:1、为了解决ReID技术存在的单域内样本样式风格缺乏多样性,以及源域和目标域之间样本差异较大的问题。本文通过对循环生成对抗网络进行改良,能够直接把不成对的图像数据送入模型进行训练。该框架使源域图像在结合另外一个域的图像风格后,其相似性与目标域行人图像数据的相似性更接近,样本多样性比未转换前获得了增强,减小了域间样本的差异,并且使单域内的不同摄像机捕捉到的图像数据进行样式风格迁移,能够通过较低成本使单域内样本风格的多样性获得提升。2、为了解决跨域ReID技术存在源域与目标域样本差异较大,导致在一个域训练的模型直接在另一个域上测验时,性能明显下降的问题。本文采用一种跨域图像风格迁移的行人再识别方法来增加样本多样性,它缩小了目标域与源域样本间的差异。具体来说,通过运用改良的循环生成对抗网络框架,源域图像在结合另外一个域的图像风格后,其相似性与目标域数据的相似性更接近,样本多样性比未转换前获得了增强,减小了域间样本的差异,使得模型具备更好的泛化性能。测验结果显示,通过对Market-1501、Duke MTMC-re ID和MSMT17数据集两两互相实行风格迁移后,再通过残差网络提取全局特征,跨域再识别准确率显著提升。同时,模型在不结合目标域数据集样式风格或者在目标数据集较少的情况下仍能达到较好的再识别效果,优于当下测验较好的其他跨域行人再识别方法。3、为了解决单域内ReID样本样式风格缺乏多样性的难题,本文运用改良的循环生成对抗网络框架,使单域内的不同摄像机捕捉到的图像数据进行样式风格迁移,能够通过较低成本使得样本样式风格的多样性获得提升。为提升模型的泛化性能,设计了一种新的正负样本联合训练机制。首先,设计了一个基于残差网络的行人再识别框架,把样式风格迁移后的样本作为负样本,样式风格迁移前的样本作为正样本,将正负样本按照不同比例同时送入模型展开训练。进一步,为了防止过拟合并且考虑错误标签位置的损失,采用了标签平滑正则化。同时,为了更多地关注困难的、易错分的样本,实现对负样本的损失优化,采用了焦点损失函数。通过降低成本并结合正负样本融合训练机制,行人再识别效果较好。在Market-1501数据集和Duke MTMC-re ID数据集上分别显著提升1.51%和2.07%。综上所述,本文运用深度学习技术,从域间样本差异以及单域内样本多样性的视角对行人再识别任务开展研究实验和分析。这些技术可以应用在机器人视觉等相关领域。