行人重識別-REID

• 一、REID
• 二、為什么使用REID
• 三、REID應用場景
• 四、REID研究形式
• 五、REID存在的挑戰

一、REID

• 行人重識別-REID（person re-identification）也叫做行人再識別技術。
• 利用計算機視覺技術判斷圖像或者視頻序列中是否存在特定行人的技術。廣泛被認為是一個圖像檢索的子問題。給定一個監控行人圖像，檢索跨設備下的該行人圖像。
• 如下圖所示：一個區域有多個攝像頭拍攝視頻序列，ReID的要求對一個攝像頭下感興趣的行人，檢索到該行人在其他攝像頭下出現的所有圖片。

二、為什么使用REID

• 在監控視頻中，由于相機分辨率和拍攝角度的緣故，通常無法得到質量非常高的人臉圖片。當人臉識別失效的情況下，ReID就成為了一個非常重要的替代品技術。

• 重要特性：跨攝像頭 --> 學術中性能評價：檢索出不同攝像頭下的相同行人圖片。

• 要解決目標之間的重識別問題（Ｒｅ－ｉｄｅｎｔｉｆｉｃａｔｉｏｎ，ＲｅｌＤ）。重識別是解決交叉攝像頭圖像匹配問題最直接的方法。目前ＲｅｌＤ的研究和技術應用主要聚焦于行人重識別［２８］，用于在交叉視角下實現對指定行人的跨視域檢索，屬于圖像檢索的子任務，可用于無人超市、刑偵追緝、跟蹤車輛等智能視頻監控領域。在行人重識別領域，每個攝像機攝制的圖像會形成一個包含各種目標在內的候選行人庫，通常包含同一目標的多個視角圖像。如圖２－４所示，行人重識別通過輸入指定的目標行人圖像，在行人圖像數據庫中檢索與輸入圖像具有相同特征的圖像，輸入圖像通常是由不同攝像頭拍攝的不連續幀，經處理后只包含該行人目標和極少數背景。

• 通常在多目標跟蹤中會借用行人重識別領域己經相對成熟的算法模型來進行重識別，使用重識別領域的任務模型可以有效提取單攝像機跟蹤的外觀特征。如圖２－５所示，行人跟蹤是從由單視角攝像頭拍攝的視頻連續序列中尋找目標的一類任務。在２．〗節中得出ＳＯＴ跟蹤器不能區分不同物體的結論。所以在多目標跟蹤中，需要引入身份ＩＤ機制，為同一幀中的不同物體在相鄰圖像中建立對應關系，實現同物體始終保持同ＩＤ的功能。而保持ＩＤ的一致性則需借助重識別來完成。

三、REID應用場景

四、REID研究形式

• 數據集通常是通過人工標注或者檢測算法得到的行人圖片，目前與檢測獨立，注重識別
• 數據集分為訓練集、驗證集、Query、Gallery
• 在訓練集上進行模型的訓練，得到模型后對Query與Gallery中的圖片提取特征計算相似度，對于每個Query在Gallery中找出前N個與其相似的圖片
• 訓練、測試中人物身份不重復

• 兩大方向：
  （1）特征提取：學習能夠應對在不同攝像頭下行人變化的特征
  （2）度量學習 ：將學習到的特征映射到新的空間使相同的人更近不同的人更遠

• 基本流程如下圖
  

五、REID存在的挑戰

• 不同下攝像頭造成行人外觀的巨大變化

• 對于深度學習方法，現有數據集相對較小

總結

以上是生活随笔為你收集整理的行人重识别-REID的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。