煤矿井下低照度、强光扰、高粉尘等环境条件，以及井下人员服装的相似性和脸部落煤现象，导致井下弱特征人员重识别困难。现有人员重识别方法仅提取全局特征，未充分考虑局部特征，使得井下人员重识别准确率较低。针对上述问题，提出了一种局部特征引导标签平滑与优化的井下弱特征人员重识别方法。该方法首先通过卷积神经网络提取井下人员图像的全局特征与局部特征；然后利用k最近邻相似性计算全局特征和局部特征的互补性得分，来衡量全局特征和局部特征的相似程度；最后根据特征互补性得分对局部特征进行标签平滑及对全局特征进行标签优化，即动态调整每个局部特征的权重，以改进每个局部特征的标签，并对局部特征的预测结果进行汇总，利用更可靠的信息来完善标签以作为全局特征的标签，从而减少图像噪声并增强特征识别能力。实验结果表明，该方法在公开数据集和包含井下人员图像的自建数据集上的平均精度均值（mAP）、第一匹配正确率（Rank-1）和平均逆置负样本惩罚率（mINP）总体优于主流人员重识别方法，具有良好的泛化性和鲁棒性，能有效实现井下弱特征人员重识别。

0 引言
1 方法原理
1.1 特征提取与结果预测
1.2 特征互补性得分
1.3 标签平滑与标签优化
2 实验结果与分析
2.1 实验条件
2.2 消融实验
2.3 不同方法对比实验
2.4 可视化结果
2.5 实际场景检测效果
3 结论