联合增强局部最大发生特征和k-KISSME度量学习的行人再识别

行人再识别是一种在监控视频中自动搜索行人的重要技术,该技术包含特征表示和度量学习2部分。有效的特征表示应对光线和视角变化具有鲁棒性,具有判别性的度量学习能够提高行人图像的匹配精度。但是,现有的特征大多都是基于局部特征表示或者全局特征表示,没有很好的集成行人外观的精细细节和整体外观信息且度量学习通常是在线性特征空间进行,不能高效地利用特征空间中的非线性结构。针对该问题,设计了一种增强局部最大发生的有效特征表示(eLOMO)方法,可以实现行人图像精细细节和整体外观信息的融合,满足人类视觉识别机制;并提出一种被核化的KISSME度量学习(k-KISSME)方法,其计算简单、高效,只需要对2个逆协方差矩阵进行估计。此外,为了处理光线和视角变化,应用了Retinex变换和尺度不变纹理描述符。实验表明该方法具有丰富和完整的行人特征表示能力,与现有主流方法相比提高了行人再识别的识别率。

基于深度学习和距离度量的行人再识别研究

行人再识别研究的内容是从一个视角选取目标行人,在非重叠视角的大量数据集中,识别出相同的行人。客观存在的多种因素会对识别的匹配率造成影响,研究内容是在雾霾天气下的行人再识别问题。针对雾霾天气会对所获取的图像产生诸如特征提取困难等问题,先利用基于深度学习的去雾算法进行图片预处理,然后使用局部最大特征出现算法以及距离度量学习的算法对图像进行特征提取和距离计算。在改进的VIPeR数据集上进行实验,结果表明,该方法提升行人再识别的匹配率。