《电子技术应用》
您所在的位置：首页 > 其他 > 设计应用 > 融合外观特征的行人重识别方法
融合外观特征的行人重识别方法
信息技术与网络安全
彭玉青1，2，李 伟1，2，郭永芳1
(1.河北工业大学 人工智能与数据科学学院，天津300401； 2.河北省大数据计算重点实验室，天津300401)
摘要： 针对行人重识别中由于姿势变化、视角改变、遮挡等引起的识别率不高的问题，提出了融合外观特征的行人重识别方法。该方法通过两个网络分支的设计，分别提取行人的全局特征和局部特征，二者融合后得到行人的外观特征。同时结合分类损失和度量学习损失，通过多任务学习策略对两个网络分支进行模型优化。此外，该模型设计了随机擦除算法，在数据集中加入噪声，增强模型的鲁棒性。实验结果表明：融合外观特征的行人重识别方法大大提高了行人重识别的准确率，在Market-1501数据集上rank1达到了92.82%、mAP 达到了80.51%，在DukeMTMC-reID数据集上rank1达到了85.06%、mAP达到了72.72%。
中图分类号： TP391
文献标识码： A
DOI： 10.19358/j.issn.2096-5133.2021.06.006
引用格式： 彭玉青，李伟，郭永芳. 融合外观特征的行人重识别方法[J].信息技术与网络安全，2021，40(6)：33-37，49.
Person re-identification incorporating appearance feature
Peng Yuqing1，2，Li Wei1，2，Guo Yongfang1
(1.School of Artificial Intelligence and Data Science，Hebei University of Technology，Tianjin 300401，China； 2.Hebei Province Key Laboratory of Big Data Calculation，Tianjin 300401，China)
Abstract： Aiming at the problem of low recognition rate caused by pose, viewpoint and occlusion in person re-identification, a method incorporating appearance feature is proposed. The method designs two network branches to extract global feature and local feature of pedestrians respectively, and the two are fused to obtain the appearance features of pedestrians. Simultaneously the model is optimized by a multi-task learning strategy for both network branches through combining classification loss and metric learning loss. In addition, the model combines with random erasing algorithm to add noise to the dataset for enhancing the robustness of the model. The experimental results show that the proposed method incorporating appearance feature greatly improves the accuracy of person re-ID, with rank-1 reaching 92.82% and mAP reaching 80.51% on the Market1501 dataset, and rank-1 reaching 85.06% and mAP reaching 72.72% on the DukeMTMC-reID dataset.
Key words : person re-identification；feature incorporating；random erasing；multi-task learning

0 引言

行人重识别(Person Re-identification，Person re-ID)是指跨监控设备下的行人检索问题，即给定一个监控行人图像，利用计算机视觉技术在其他监控摄像头拍摄产生的大型图片库中准确找到该行人图片，在智能安防、智能监控以及智能商业等领域具有广泛应用。但由于图片分辨率低、行人姿势变化较大、视角变化、遮挡、光照变化、背景杂乱干扰等问题，行人重识别当前面临巨大的挑战。

行人重识别方法分为特征提取和相似性度量两个步骤，传统的行人重识别方法将两个步骤分开研究，只对其中一个步骤改进、优化。特征提取方法主要采用颜色、形状和纹理等低维视觉特征来表达行人外观，如RGB直方图等。模型提取特征后通过学习距离度量函数进行相似性度量。近年来，随着卷积神经网络(CNN)的发展，许多深度学习的方法应用到行人重识别中，将特征提取和相似性度量整合为一个统一的整体，同时改进两个模块学习有辨别力的特征。ZHENG L等人[1]提出IDE(ID Embedding)网络，利用行人身份标签训练ResNet50网络，进行微调后获取行人全身特征进行身份识别。SUN Y F等人[2]提出PCB(Part-based Convolutional Baseline)网络，采用统一分割策略提取细节特征，设计了RPP(Refined Part Pooling)模块调整偏差，增强划分模块的一致性，解决了分割导致的行人身体部位不对齐等问题。李聪等人[3]提出多尺度注意力机制(Multi-Scale Attention，MSA)的行人重识别方法，将多尺度特征融合与注意力方法相结合，使网络能自适应地调节感受野的大小，但此方法忽略相似性度量对模型的有效性。



本文详细内容请下载：http://www.chinaaet.com/resource/share/2000003597



作者信息：

彭玉青1，2，李  伟1，2，郭永芳1

(1.河北工业大学 人工智能与数据科学学院，天津300401；

2.河北省大数据计算重点实验室，天津300401)


此内容为AET网站原创，未经授权禁止转载。

相关内容