معظم طرق التعرف على الأشخاص الحالية (ReID) تتجاهل القيود المكانية-الزمانية. عند تقديم صورة استعلام، تقوم الطرق التقليدية بحساب المسافات الخصائصية بين صورة الاستعلام وجميع الصور في قاعدة البيانات المرجعية وتعيدها في جدول مرتب حسب الشبه. عندما تكون قاعدة بيانات المرجعية كبيرة جدًا في التطبيق العملي، فإن هذه الأساليب تفشل في تحقيق أداء جيد بسبب الغموض البصري عبر وجهات النظر المختلفة للكاميرات. في هذا البحث، نقترح إطار عمل جديد ذو مسارين للتعرف على الأشخاص المكانية-الزمانية (st-ReID) يكتشف كلًا من المعلومات الدلالية البصرية والمعلومات المكانية-الزمانية. لهذا الغرض، تم تقديم مقياس شبه مشترك مع تسوية اللوجستيات (Logistic Smoothing - LS) لدمج نوعين مختلفين من المعلومات غير المتجانسة في إطار عمل موحد. لتقريب توزيع احتمالي معقد مكانياً وزمنياً، قمنا بتطوير طريقة سريعة باستخدام التوزيع التاريخي-بارزين (Histogram-Parzen - HP). بمساعدة القيود المكانية-الزمانية، يُقصِّر نموذج st-ReID عددًا كبيرًا من الصور غير ذات الصلة وبالتالي يضيق نطاق قاعدة بيانات المرجعية. بدون إضافات زائدة، حققت طريقة st-ReID الخاصة بنا دقة رتبة 1 بنسبة 98.1٪ على Market-1501 و94.4٪ على DukeMTMC-reID، مما يمثل تحسينًا من القواعد الأساسية التي كانت 91.2٪ و83.8٪ على التوالي، وأفضل بكثير من جميع الأساليب السابقة الرائدة بمقدار كبير.