基于深度学习的行人重识别研究综述.docVIP

基于深度学习的行人重识别研究综述

行人重识别（PersonRe-Identification,ReID）旨在跨摄像头、跨时间、跨场景下匹配同一行人目标，是智能视频分析、公共安全防控、智慧城市建设等领域的核心技术环节。早期传统行人重识别方法依赖人工设计的特征算子与度量学习策略，在光照变化、姿态形变、遮挡干扰、背景杂糅等复杂场景下性能瓶颈显著。2014年以来，深度学习技术的爆发式迭代为行人重识别领域注入了全新技术路径，从基础特征提取范式到复杂场景鲁棒性提升，从监督学习框架到弱监督、无监督学习范式，再到跨模态、增量式等拓展场景的适配，相关研究成果呈现指数级增长，技术落地能力得到实质性突破。

一、深度学习驱动的行人重识别技术发展脉络

深度学习在行人重识别领域的应用历程可清晰划分为三个递进阶段。第一阶段为2014-2016年的基础架构适配期，研究核心是将计算机视觉领域成熟的卷积神经网络（CNN）迁移到行人重识别任务中。2014年Li等人首次将AlexNet应用于行人特征提取，在Market-1501数据集上实现了较传统方法30%以上的精度提升，直接证明了深度学习特征的表征能力优势。后续研究逐步将VGG、ResNet等更深层的网络架构作为骨干网络，通过端到端训练学习判别性行人特征，取代了传统的“人工特征+度量学习”两阶段流程。这一阶段的技术局限性在于模型高度依赖大规模标注数据，且未针对行人