基于局部最大概率特征和映射模型学习的行人再识别

进行了行人再识别研究。针对行人自身差异和相机视域差异的存在导致再识别率低的问题,提出了一种基于局部最大概率特征和映射模型学习的行人再识别算法。该算法首先对行人图像提取局部最大概率特征,克服光照变化并提取图像的完整信息;然后学习交叉映射模型,利用学习好的模型进行行人特征变换,从而消除不同摄像机拍摄区域的特征差异;最后进行距离度量和排序。实验表明,该算法合理有效,能够获得较为完整的判别性特征表示,成功地提高了行人再识别的匹配精度。

DDN前景提取结合映射模型学习的行人再识别

随着视频监控设备的广泛应用,行人再识别成为智能视频监控中的关键任务,具有广阔的应用前景。该文提出一种基于深度分解网络前景提取和映射模型学习的行人再识别算法。首先利用DDN模型对行人图像进行前景分割,然后提取前景图像的颜色直方图特征和原图像的Gabor纹理特征,利用提取的行人特征,学习不同摄像机之间的交叉映射模型,最后通过学习的映射模型将查寻集和候选集中的行人特征变换到一个特征分布较为一致的空间中,进行距离度量和排序。实验证明该算法能够提取较为鲁棒的行人特征,可克服背景干扰问题,行人再识别匹配率得到有效的提高。