跨模态行人重识别是一项具有挑战性的行人检索任务。现有研究侧重于通过提取模态共享特征来减小模态间差异，忽视了对模态内差异和背景干扰的处理。为此，提出了一种掩膜重构与动态注意力（MRDA）网络，该网络通过重构人体区域特征来消除背景杂波的影响，从而增强网络对背景变化的鲁棒性。此外，该网络结合了动态注意力机制，以过滤无关信息，动态挖掘并增强具有辨别力的特征表示，消除模态内差异的影响。实验结果显示：该网络在SYSU-MM01数据集的all-search模式下的第一个检索结果匹配成功的概率（Rank-1）和均值平均精度（mAP）分别达到70.55%和63.89%；在RegDB数据集的visible-to-infrared检索模式下的Rank-1和mAP分别达到91.80%和82.08%。在公共数据集上验证了所提方法的有效性。

为了提升行人重识别算法的检索准确率, 提出了基于软掩膜前景分割和多信息融合重排序的行人重识别算法。通过基于U-Net的软掩膜前景分割算法去除图像背景信息, 同时减缓图像分割边界的突变, 以保留图像中行人的关键信息; 通过基于孪生深度网络的多信息融合重排序算法融合行人图像的多种信息, 提升检索结果质量。实验结果表明, 提出的两种方法是对行人重识别算法流程的有效补充, 可作为提升准确率的有效方法应用于多数现有行人重识别算法中。

近年来，跨模态行人重识别逐渐成为了计算机视觉领域的热门研究方向之一。然而，在跨模态行人重识别任务中，高效地提取行人特征，进一步实现图像之间的交互融合、挖掘行人图像之间的潜在关系是至关重要的。为了解决这一问题，提出一种基于通道分组重组和注意力机制的双流网络来提取两种模态之间更加稳定且丰富的特征。具体地：首先在主干网络中嵌入模态内特征通道分组重组模块以提取跨模态图像的共享特征，实现模态信息的交互融合；然后，通过聚合特征注意力机制及跨模态自适应图结构来挖掘不同模态行人图像之间的潜在关系，提取更具判别力的局部特征。在主流数据集SYSU-MM01、RegDB上进行的大量实验结果表明，所提算法在多个数据集上具有较好的泛化能力，与现有的主要算法相比，跨模态行人重识别精度达到较高的水准。

针对视频行人重识别中的目标行人大范围遮挡的问题，将具有时间关联性、不受遮挡影响的行人轨迹预测与行人重识别相结合，提出一种基于时空轨迹融合的遮挡视频行人重识别算法。首先，从时间与空间域出发，实现符合社会属性的精确行人轨迹坐标预测；其次，构建时空轨迹融合特征，将视频序列中的表观视觉特征与行人轨迹中的坐标数据有效结合，有效缓解查询集中遮挡问题对重识别性能造成的影响；最后，构建适用于所提算法的轨迹融合数据集MARS_traj，并通过实验证明所提算法对遮挡视频重识别性能的有效提升。

针对行人重识别场景复杂引起的局部特征不对齐，以及在背景杂乱情况下难以提取出具有不变性行人特征的问题，提出一种基于人体姿态估计算法和相似度矩阵引导的多尺度融合网络。网络引入姿态估计算法构造对齐的行人特征，通过多分支结构将低层局部特征和高层全局特征进行融合提升网络的表征能力；此外特征相似度矩阵将全局特征分割出相似度引导的背景、前景分支，再利用区域级的三元损失函数，提取出对复杂背景鲁棒的行人特征。在Market-1501、DukeMTMC-ReID、CUHK03和MSMT17四个主流数据集上的实验结果表明，本文提出的方法均能达到甚至超过当前主流算法的水平。在最具挑战的MSMT17数据集中，与目前精度领先的算法相比，首次命中精度提高了1.4个百分点，平均精度均值提高了3.4个百分点。

素描行人重识别旨在从可见光行人图像库中查找与给定素描行人图像身份相同的图像。虽然已经有较多的跨模态检索算法可以应用于该类问题，但这些算法的背景设定较为单一，没有考虑到训练集中部分身份的行人仅有一个模态样本，即跨模态身份不一致，这极大限制了算法在实际场景下的应用。为此，提出了基于交叉分类的素描行人重识别网络。该网络包括交叉分类和基于距离的身份信息对齐两部分。其中，交叉分类利用单一模态数据训练的分类器引导编码器从另一模态提取到模态不变的信息。而基于距离的身份信息对齐能够将同身份不同模态间的特征距离减小，同时抑制跨模态身份不一致的影响，进而强化了特征的判别性和鲁棒性。为验证跨模态身份不一致时模型的性能表现，基于Matket-1501数据集生成了新的素描行人重识别数据集S-Market1501，并在该数据集上将Rank-1指标提升了11.0个百分点。同时模型在公开数据集Sketch Re-ID上Rank-1指标达到了60%，所设计的数据集将开源在“https：//github.com/huangdaichui/Sketch_dataset”。

为了提高可见光-红外跨模态行人重识别的检测准确度, 提出一种基于可见光-红外模态双向特征生成的双流网络模型, 相对现有算法, 使用双向特征生成方法进行跨模态行人特征迁移, 显著提高了跨模态特征表达, 同时利用双流网络提取具有判别性双模态特征, 并通过设计的粗细粒度损失融合的策略, 提高了跨模态行人检索的准确度。实验结果表明, 与最新方法相比, 文章提出的方法提高了跨模态行人重识别的平均准确度, 在RegDB数据集上取得92.91%, 在SYSU-MM01数据集取得66.17%。

传统无监督域自适应行人重识别算法，抑制伪标签噪声效果差、域间泛化能力弱。针对这些问题，提出了一种基于软伪标签和多尺度特征融合的无监督域自适应行人重识别算法。为抑制伪标签噪声，利用并行网络的预测值作为软标签，通过交叉校对方式对伪标签噪声进行纠偏，为无监督域自适应任务提供更鲁棒的软伪标签。为增强域间泛化能力，利用多尺度特征重构和哈达玛积特征融合方法对深浅特征层信息进行处理，实现源域数据到目标域的风格转换，并结合实例和批量归一化网络解决残差网络域自适应性差的问题，增强网络对源域和目标域的泛化能力。实验结果表明，所提算法在Market-to-Duke和Duke-to-Market无监督域自适应任务中都取得了较好的性能，明显优于相关算法。