论文部分内容阅读
全国主要城市都在致力于建设“平安城市”,作为其中一项不可或缺的功能,行人再识别因其应用价值与研究价值吸引了大量研究者的兴趣,主要研究如何从不同的摄像头中找到查询行人图像。行人视觉外观会受分辨率、光照、角度、姿势、遮挡等一系列因素影响,传统手工特征因为表达能力有限,无法有效区分行人图像较大的类内差异和较小的类间差异,深度学习方法特征表达能力更好,能在一定程度上解决问题,其特征的区分能力还可以进一步提高。基于属性信息和深度卷积神经网络,提出三种不同的行人再识别算法:(1)结合对行人身份标签的分类方法和验证方法,提出一种行人再识别联合学习算法。主要创新点是提出了一种约束对比验证损失函数,用于约束特征值,将特征距离限制在一定范围内。验证目标和分类目标同时迭代优化,可以既学习更有区分性的特征,又度量行人之间的关系。(2)基于行人多标签属性识别网络,提出一种同时学习多种属性和行人身份的行人再识别算法。主要创新点在于属性标签是自动标注的,无需手工进行,节省时间。行人的属性信息对外观变化具有鲁棒性,有利于辅助行人再识别的研究。(3)基于上述两种算法,提出一种多属性融合的解决方案。主要创新点是在一个端到端的框架中融合行人身份的分类损失、验证损失和属性的分类损失、验证损失,在反向传播时传播各损失的加权之和。融合多种策略的方法可以使各组成部分优势互补,进一步提高行人再识别率。通过在Market-1501和PRW两个数据集上进行充分的实验验证,结果表明,CNN分类结合对比验证方法和多属性方法的性能都比较有竞争力,而结合多属性多策略的方法又显著提高了再识别的准确率,在Market-1501数据集上,累积匹配特性第一准确率达到了70.0%,平均准确率均值达到了45.7%,已经超过了许多顶尖的方法。