运动目标的检测和跟踪作为智能视频监控系统中的基础技术,广泛应用于生产、交通和安全等各个领域。通过监控视频可以获得很多有效的信息进行比对和分析,其中行人再识别研究就是对不同摄像头中出现的行人进行的相似性分析研究。本文研究的行人再识别场景是针对某个摄像场景中特定的一个行人样本,在其他的摄像场景中寻找与其相似度最高的行人样本作为再识别的结果。由于光照、行人姿态变化以及遮挡等问题的影响,行人再识别的研究还有着很大的发展空间。本文将针对光照条件变化对行人再识别研究所产生的影响对现有的研究方法进行分析和改进,实现在照度条件存在变化的环境中对行人进行再次识别。本文主要的研究工作及成果如下:(1)设计了一种适用于光照变化场景的行人检测方法针对Retinex算法对图像进行增强预处理时导致噪声被不同程度放大的问题,采用一种结合照度信息的多尺度滤波方式对噪声进行去除。由于光照变化对图像灰度值的影响,本文引入SILTP特征进行背景建模,重新定义了图像的差值运算,并以一种选择概率更新的策略对当前的背景图像进行更新,通过一种迭代的方式得到最终的背景图像,并通过对行人区域分块降维改善HOG特征维度过大的缺点。(2)设计了一种基于词袋模型的行人局部特征提取模型通过研究和分析不同类别的特征特性,结合光照环境变化的影响,选取行人的颜色和轮廓特征作为候选特征集,并对特征向量进行归一化处理。由于局部特征的识别效果普遍优于全局特征,本文设计了一种基于词袋模型的局部特征提取模型,针对检测到的行人区域,对候选特征集中的所有元素依次进行特征提取处理。本文中的特征提取模型首先需要通过训练得到特征词典,针对每一个待处理样本,基于超像素分割的原理将行人分割,分块的特征向量通过特征词典的映射得到,最后将所有分块的特征级联得到最终的行人特征表示。(3)提出了一种融合多光照场景的KISSME测度匹配算法本文以KISSME测度矩阵学习算法为基础,结合多种光照场景信息,提出了一种改进的融合多光照场景的KISSME测度匹配算法。首先,依据样本的平均亮度信息进行聚类处理来模拟多光照的应用场景;然后,针对单光照场景和多光照交叉场景分别训练得到对应的测度矩阵,在行人相似度的分析时,根据光照场景选择对应的测度矩阵进行距离表示;最后,对候选特征集中的多个特征识别排序的结果进行综合决策,得到最终的行人相似度降序列表。通过对比实验表明,本文提出的改进方法,在光照变化场景下可以达到很好的识别效果。