时域模型对视频行人重识别性能影响的研究

行人重识别是计算机视觉领域一个重要的研究方向。近年来,随着视频监控需求的日益增长,基于视频序列的行人重识别研究受到了广泛的关注。典型的视频序列行人重识别系统由三部分构成:图片特征提取器(例如卷积神经网络)、提取时域信息的时域模型、损失函数。在固定特征提取器和损失函数的前提下,研究不同时域模型对视频行人重识别算法性能的影响,包括时域池化、时域注意力、循环神经网络。在Mars数据集上的实验结果表明:与基于图像的行人重识别基准算法相比,采用时域池化模型、时间注意力模型可以有效改善识别精度,但采用循环神经网络后识别效果比基准算法有所下降。

行人重识别算法研究与展望

针对视频监控中特定行人的检索、识别问题被称作行人重识别,是当前计算机视觉领域一个重要的研究课题。由于实际监控场景的复杂性,被拍摄到的行人图片会出现尺度变化、旋转、遮挡、光照差异等问题,给行人重识别研究带来了很大的挑战。提取鲁棒的行人特征、设计合适的度量方法、对查询的排序结果列表进行重新排序等是目前该领域研究的主要思路。针对行人重识别领域,本文主要调查研究了行人重识别领域的发展背景和研究现状并在结尾给出了对该领域的研究展望。