大数据环境下基于深度哈希的开放式行人再识别方法研究

Person re-identification, identifying the same person’s images in an existing database that come from non-overlapping camera views, is a valuable but challenging task. It is an active and challenging research area in computer vision,including pedestrian detection and localization. The methods of person re-identification often based on closed-end and single visual angle model, result in a fix result. Therefore these method neither can deal with the flexibility and diversity of the result of open-style method, nor can handle the newly arrived samples of pedestrian accompanied with the update of model. Thus, research on open-style method of person re-identification based on deep hashing in big data environment is proposed. The contents of this paper mostly research：(1) Design view-invariant feature descriptor, (2) Pedestrian automatic annotation algorithm based on visual attention mechanism, (3) Pedestrian retrieve and recognition research based on deep hashing algorithm under the large-scale video surveillance. (4) Research on open-style method of person re-identification in big data environment. This project proposal is expected to solve these problems in person re-identification, enrich the theory of person re-identification in big data environment, and promote the development of computer vision.

行人再识别旨在无重叠的视频监控网络中，对于摄像机视场中给定的某个行人，判断其是否出现在其他摄像机视场中的过程，是比行人检测更具挑战性的计算机视觉前沿研究方向。目前大部分研究中行人再识别主要基于封闭式、视角单一建模，通常只能给出确定性的结果，无法满足开放式行人再识别结果的灵活性和多样性，也不能解决行人样本层出不穷和模型更新问题。因此，本课题开展大数据环境下基于深度哈希的开放式行人再识别方法研究。主要研究内容是：视角不变性特征描述子的设计；基于视觉注意机制的行人自动标注算法；大规模视频监控下基于深度哈希的行人检索识别算法研究；大数据环境下的开放式行人再识别模型研究。本课题有望解决行人再识别研究中存在的上述问题，丰富大数据环境下的行人再识别的理论和算法，为计算机视觉的发展提供理论和技术支持。

行人再识别旨在无重叠的视频监控网络中，对于摄像机视场中给定的某个行人，判断其是否出现在其他摄像机视场中的过程，是比行人检测更具挑战性的计算机视觉前沿研究方向。项目在系统总结国内外已有相关研究成果的基础上，对行人再识别技术的研究现状进行了综述和分析总结，并开展了以下四个方面的研究工作。.（1）视角不变性特征描述子的设计：针对摄像机视角单一和检测模型泛化能力很弱等情况，设计了基于行人姿态的视角不变性特征描述子（View-Invariant Feature），并在行人检测和跟踪的基础上，利用行人视角和地理位置信息，研究行人不同视角间的关联性，设计了一种有效、计算简单并且具有视角不变性的行人姿态特征及其表示方法。.（2）基于视觉注意机制的行人自动标注算法：针对现有数据集体量小、人工标注昂贵造成的性能瓶颈，提出了在大规模视频监控下基于视觉注意机制的行人自动标注算法，该算法结合已有的候选区域筛选方法，根据人类视觉注意机制给出一个可计算的模型，对行人进行粗粒度的大类筛选，再结合多模态信息和深度学习对行人进行细致检测，以提高自动标注的实效性和准确性。.（3）大规模视频监控下基于深度哈希的行人检索识别算法研究：针对大规模视频监控下行人再识别算法学习效率低下的局限，提出了基于深度哈希算法的行人检索和再识别算法，算法采用了深度哈希算法来提升行人检索和再识别的实效性，并设计了哈希表特殊的数据结构、快速存储和处理图库（Gallery），以及实时提取人体特征描述子信息。.（4）大数据环境下的开放式行人再识别模型研究：针对行人再识别模型简单独立与摄像机视角多样性的矛盾，提出了大数据环境下开放式在线增量更新的检测、跟踪和检索三位一体行人再识别模型，借助大数据平台的数据存储和数据处理能力，搭建Spark或Hadoop大数据平台，着重研究了如何根据实时的视频/图像流在线更新模型和再识别结果。.在多个相关基准数据集上的相关实验结果显示，本项目研究构建的相关算法性能可以达到当前学术界的先进水平。同时，本项目的相关研究在一定程度上解决了开放式行人再识别研究中存在的上述问题，丰富了大数据环境下的行人再识别的理论和算法，为计算机视觉的发展提供理论和技术支持。