基于属性依存增强的文搜图行人重识别

文搜图行人重识别旨在通过给定的文本从行人图库中检索目标人物,主要挑战的是学习对自由视角(姿势、照明和相机视点)的图像和自由形式的文本具备鲁棒特征。然而,由于在文本描述和行人图像中存在对行人属性挖掘的不足,在细粒度上因细节的差异从而影响了从文本描述到行人图像的检索性能。因此,研究提出了基于属性依存增强的文搜图行人重识别。首先,从文本描述解析出依存关系,并转化为依存矩阵。其次,设计了一个基于自注意力的属性干预模块来融合文本特征和依存矩阵,得到属性增强的文本特征。此时,文本特征经过干预,更为关注属性信息。最后,文本特征与图像特征参与训练,让整个网络对属性的挖掘更为敏感。在两个数据集CUHK-PEDES和ICFG-PEDES上进行实验,证明了模型的有效性。

基于行人重识别的传染病流调辅助系统设计

近年来,随着突发传染病的爆发,传染链的追踪和监控显得尤为重要。传统的流调方式主要是事无巨细地问,涉及大量生活隐私,流调工作量大且结果不准确。提出了一种基于行人重识别技术的传染病流调辅助系统,在已知某一帧患者图像的条件下实现从监控录像检索出目标人物,联合现有实名制信息系统对截取的密接者图像特征进行基本信息查询,从而达到高效率的流调辅助效果。系统采用深度残差网络ResNet-50模型,融入注意力机制,联合损失函数对密接者图像局部特征提取,从切断传染链入手,为密接者的搜寻提供科学精准的技术支持。

基于卡方核的正则化线性判别行人再识别算法

针对行人再识别过程中存在获取的训练样本较少,真实样本分布不一定线性可分和算法识别率低的问题,提出基于卡方核的正则化线性判别分析行人再识别算法(KRLDA,kemel regularized linear discriminant analysis)。该算法首先利用核函数将样本从线性不可分的原始空间映射到线性可分的高维特征空间,然后在高维空间中构造描述数据之间邻近关系的散度矩阵,再利用正则化线性判别分析获得高维到低维空间的投影矩阵,使得数据在低维空间能够保持高维空间的可分性,从而提升行人再识别算法的识别率。在VIPeR、iLIDS、CAVIAR和3DPeS数据集上,实验结果表明所提出的算法具有较高识别率。

基于去相机偏差和动态更新记忆模型的无监督行人重识别研究

近年来,无人监督行人重识别技术取得了长足的进步。该技术从大量未标记行人数据库中检索感兴趣的行人在不同相机下的图片。然而,目前的研究还存在一些问题,例如跨摄像头行人图片的影响和伪标签噪声等。为了解决这些问题,本文从两个方面进行研究:消除相机偏差和动态更新记忆模型。在去除相机偏差方面,基于一个可学习的通道注意力模块从特征图中提取仅与摄像头相关的特征,从而消除全局特征中的相机偏差,得到可以代表行人的鲁棒特征。在动态更新记忆模型方面,由于实例特征不一定属于伪标签所标识的行人类别,因此本文采用一种基于实例特征与类别特征之间距离的方式动态更新记忆模型,使类别特征趋于真实特征。我们将相机偏差去除和记忆模型动态更新结合起来,以更好地解决这些问题。大量实验表明,本文提出的方法在无监督行人重新识别任务中的性能优于其他方法。

跨摄像机行人再识别研究综述

跨摄像机行人再识别是智能视频监控系统中一个基本的任务,跨摄像机行人再识别就是鉴别出行人在摄像机网络中不同摄像机里出现的确认的过程,近些年其已成为计算机视觉领域的研究热点并受到了许多研究领域的关注。摄像机间拍摄距离、拍摄角度、分辨率等差异和时空信息的不确定性使得跨摄像机行人再识别面临巨大的挑战,同时也激励着研究者不断发现新算法来解决问题。此文通过对近些年公开发表的论文进行梳理,阐述了跨摄像机再识别目前面临的困难、当前的研究现状和将来的研究趋势。

跨模态身份不一致的交叉分类素描行人重识别

素描行人重识别旨在从可见光行人图像库中查找与给定素描行人图像身份相同的图像。虽然已经有较多的跨模态检索算法可以应用于该类问题,但这些算法的背景设定较为单一,没有考虑到训练集中部分身份的行人仅有一个模态样本,即跨模态身份不一致,这极大限制了算法在实际场景下的应用。为此,提出了基于交叉分类的素描行人重识别网络。该网络包括交叉分类和基于距离的身份信息对齐两部分。其中,交叉分类利用单一模态数据训练的分类器引导编码器从另一模态提取到模态不变的信息。而基于距离的身份信息对齐能够将同身份不同模态间的特征距离减小,同时抑制跨模态身份不一致的影响,进而强化了特征的判别性和鲁棒性。为验证跨模态身份不一致时模型的性能表现,基于Matket-1501数据集生成了新的素描行人重识别数据集S-Market1501,并在该数据集上将Rank-1指标提升了11.0个百分点。同时模型在公开数据集Sketch Re-ID上Rank-1指标达到了60%,所设计的数据集将开源在“https://github.com/huangdaichui/Sketch_dataset”。

基于时空轨迹融合的遮挡视频行人重识别

针对视频行人重识别中的目标行人大范围遮挡的问题,将具有时间关联性、不受遮挡影响的行人轨迹预测与行人重识别相结合,提出一种基于时空轨迹融合的遮挡视频行人重识别算法。首先,从时间与空间域出发,实现符合社会属性的精确行人轨迹坐标预测;其次,构建时空轨迹融合特征,将视频序列中的表观视觉特征与行人轨迹中的坐标数据有效结合,有效缓解查询集中遮挡问题对重识别性能造成的影响;最后,构建适用于所提算法的轨迹融合数据集MARS_traj,并通过实验证明所提算法对遮挡视频重识别性能的有效提升。

基于多尺度卷积特征融合的行人重识别

针对现有的基于卷积神经网络的行人重识别方法对于遮挡和复杂背景引起的判别信息缺失问题,提出了一种基于多尺度卷积特征融合的行人重识别算法。在训练阶段,使用金字塔池化方法对卷积特征图进行分块和池化,获得包含全局特征和多尺度局部特征的多个特征向量;对每一个特征向量进行独立分类,并在各个分类的最后内积层上归一化权重和特征,以提升分类性能;最后使用梯度下降法优化全部的分类损失。在识别阶段,将池化后的多个特征向量融合成一个新向量,使用新向量在库中进行相似性匹配。在Market-1501、DukeMTMC-reID数据库上对所提算法的有效性进行实验验证。结果表明,本文模型提取的特征具有更好的识别效果,Rank-1精度和平均准确率也优于大多数先进算法。

基于视频行人重识别和时空特征融合的跟踪算法

针对多目标跟踪算法在现实拥堵场景容易引发行人身份交换频繁的问题,提出了一种融合目标检测与行人重识别两个任务的联合网络。同时引入一种用于融合重识别特征和时间信息的轨迹评分机制,该机制通过从检测结果和跟踪预测结果中收集候选目标,互相补充行人目标跟踪预测信息与重识别特征信息。针对视频画面中小目标难以被检测到的问题,对ResNet-34网络进行改进,在主干网络上通过结合深层聚合网络,同时将传统的残差块替换为多级特征卷积网络,实现了对小目标的着重关注,提高了检测准确率。在多目标跟踪数据集MOT16、MOT17、MOT20上进行实验,所提网络的多目标跟踪准确度(MOTA)分别达74.7、73.7、66.4,行人身份转换次数分别为210、209、1403。实验结果表明,所提网络取得了良好的检测跟踪效果。

融合注意力机制的多损失联合跨模态行人重识别方法

跨模态行人重识别任务的难点在于提取出更有效的模态共享特征,为解决该问题,提出基于注意力机制的多损失联合跨模态行人重识别方法。在ResNet50网络中嵌入注意力模型,保留细节信息。将特征切割成六块局部特征,以使网络关注局部深层信息,增强网络的表征能力。对提取出的局部特征列向量进行批归一化处理,并选用交叉熵损失和改进的异质中心损失进行联合监督学习,以加速模型收敛,提升模型精度。所提方法在SYSU-MM01、RegDB数据集下的平均精度(mAP)分别达到56.82%和75.44%,实验结果表明,本文方法有效地提升了跨模态行人重识别精度。

基于相关性感知和特征重学习的无监督域自适应行人重识别

不同数据集之间的领域多样性对在一个数据集上训练的行人重识别(Re-ID)模型适应另一个数据集提出了明显的挑战。目前最先进的无监督领域自适应方法是通过对目标领域的聚类算法生成的伪标签进行优化的,但聚类过程中不可避免的标签噪声却被忽略了。这种有噪声的伪标签实质上降低了模型在目标域上进一步改进特征表示的能力。为了解决这一问题,提出一种基于相关性感知注意力(RAA)机制和局部特征重学习(FRL)的相互教学方法进行无监督域自适应行人重识别。在特征提取上,使用多通道关注对应的行人局部特征,利用空间-通道对应关系进行全局和局部特征的判别性细节信息重学习,增强网络的特征表达能力。同时采用相关性感知注意力机制来使两个网络聚焦于不同的特征区域,增强两个网络的差异性和互补性。在公共数据集上对所提方法进行了广泛的实验验证。实验结果表明,所提方法在多个行人重识别任务中都取得了良好的成绩。