摄像机网络中的多视角行人重识别研究

This topic studies an effective method for multi-view re-identification recognition in camera networks. This is a challenging intelligent video surveillance problem that remains an active area of research due to the need for performance improvement. However, this work is confronted with the issues such as feature extractions and discriminant model design under small samples. Consequently, we propose a multi-view re-identification recognition framework. This framework is conducted in the following three aspects: Firstly, for the extraction of pedestrian features: both of the pedestrian matching feature salience and the motion information from the time sequential human parts are employed to enhance the discrimination of features. Secondly, in the complete space mining of multi-view feature: the discrimination ability of extracted features can be enhanced by seeking the complete space of multi-features and eliminating redundant features in the premise of minimizing the loss of information. Lastly, for the training model under the conditions of small samples: devising the training loss function by exploiting the information of labeled data between class and class. Meanwhile, so as to enhance model generalization capability, the statistical correlation between databases is introduced into the training process based on the concepts of transfer learning.

本课题研究摄像机网络中的多视角行人重识别的有效方法。行人重识别作为智能视频监控最重要的问题仍然有很大的提升空间。该研究面临在小样问题下的特征提取和判别模型设计等难题。因而我们提出了一种多视角行人重识别研究框架。该框架三个方面展开研究：首先在行人特征提取方面,利用行人匹配存在显著性区域这一特点，以及提取时序上人体各部件的运动信息，提高特征的判别性。其次在多视角特征的完备空间挖掘方面,通过寻找多特征的完备空间，在最小化信息损失的前提下，剔除特征冗余性，从而使所提取特征的判别能力得以提高。最后在小样本条件下的模型训练方面,利用标记数据的类内类间信息，设计训练损失函数，同时利用迁移学习思想，将数据库之间的统计相关性引入训练过程，从而提高模型范化能力。

近年来，随着高新技术的发展以及人们安全意识的提高，摄像机网络中的行人重识别技术引起越来越多研究人员的关注。然而，行人重识别作为智能视频监控中最重要的问题仍然有很大的提升空间，面临着小样问题下的特征提取和判别模型设计等难题。因此，本项目研究摄像机网络中的多视角行人重识别的有效方法，通过提出一种多视角行人重识别研究框架来克服以上难题。该框架从四个方面展开研究：首先构建行人重识别算法评测平台，用于关键技术的研究和测评；然后在行人特征提取方面,利用行人匹配存在显著性区域这一特点，以及提取时序上人体各部件的运动信息，提高特征的判别性；其次在多视角特征的完备空间挖掘方面,通过寻找多特征的完备空间，在最小化信息损失的前提下，剔除特征冗余性，从而使所提取特征的判别能力得以提高；最后在小样本条件下的模型训练方面,利用标记数据的类内类间信息，设计训练损失函数，同时利用迁移学习思想，将数据库之间的统计相关性引入训练过程，从而提高模型范化能力。项目执行期间培养了该方向硕士研究生6名。项目组取得了诸多学术成果，在国际国内高水平学术期刊上发表了19篇论文。所形成的研究成果被应用于中国人民解放军部队的遥感图像目标检索项目中，提升了卫星遥感图像目标检测效率和鲁棒性。此外，项目成果还可广泛应用于日常视频应用、智能安防、视频监控等方面，为提升相关领域的智能化水平提供技术保障。