近些年来,视频监控系统大量普及,智能视频监控在城市安全中的需求正急速增加。在此背景下,利用计算机对监控视频中的行人进行重识别的需求应运而生。行人重识别过程,是指对于已经在监控视频中出现过的感兴趣人物目标,当其在监控中再次出现时将其重新识别出来的过程。随着智能监控技术发展和公共安全应用需求的增加,这一问题正逐渐发展为研究的热点。考虑到在公共场合中,人们普遍以小群体的方式进行运动,本文考虑将小群体作为一个鲁棒的线索用于行人重识别工作。论文根据目前有关行人重识别领域最新的研究成果,对行人重识别过程中涉及到的关键技术展开深入的研究,主要研究内容如下:(1)在小群体关联信息挖掘方面,本文利用在人群区域获得的视频粒子运动轨迹获取小群体运动速度信息。计算视频粒子轨迹间相似度,对粒子有效轨迹采用谱图聚类方法来进行聚类从而在监控场景中区分出不同运动特性的行人小群体。(2)在行人特征表达方面,论文考虑利用小群体特征来作为行人特征表达的一个关联特征。针对小群体在不同摄像头下存在空间位置变化、遮挡等情况,本文设计基于矩形环的小群体特征来有效表征小群体图像,并设计小群体相似度计算方法来提高小群体匹配的准确率。(3)在特征距离度量方面,针对传统的距离函数未考虑样本特性而判别力弱的问题,在距离学习的方法基础上,提出基于相关距离比较的距离学习重识别模型。利用同一行人和不同行人图像样本对的相关距离训练优化一个距离函数,尽可能最小化类内特征的距离和最大化类间特征的距离,并设计迭代优化算法和多模型训练方法来使得行人重识别模型对不同监控环境更具适应性。(4)在重识别策略方面,根据小群体关联信息和训练得到的重识别模型,论文结合监控场景的实际应用,提出三种基于小群体关联的行人重识别策略。充分利用小群体关联信息,将其应用到行人重识别领域,实验结果表明本文提出的策略能够有效提高行人重识别的准确率。