监控视频大数据中表观相似对象的判别式再标识方法与技术

The key challenging of surveillance video big data applications is the "can-not-find" valuable information in massive surveillance video data. Visual appearance-like objects effective identification and recognition in unconstrained environment is the most difficult part to solve the "can-not-find" problem. In this project, we address this technical challenging, by focusing on the discriminative appearance-like object re-identification problem in surveillance video big data, which includes robust object representation model in unconstrained environment and effective fast discriminative objects identification. Following the key scientific problem, our project will develop new methods and techniques for multimodal singular region based objects representation model, deep learning method based objects representation method, multi-kernel manifold learning object re-identification method, and fast object identification method fusing surveillance video coding. Moreover, we will demonstrate the efficiency of the proposed model and methods on a target tracking prototype system in surveillance video. The system is designed to process surveillance video data from 8 high resolution cameras in real-time, and the tracking precision of objects in probe list is expected to over 80%.

"找不到"有价值的信息是监控视频大数据应用所面临的一个核心技术挑战，而无约束环境下视觉表观高度相似对象间的有效标识和区分则是解决"找不到"问题中的难点。针对这一技术挑战，本项目围绕监控视频大数据中表观相似对象的再标识这一关键科学问题，从无约束环境下鲁棒的对象表示和高效快速的判别式对象再标识两方面开展研究，突破多模态奇异区域对象表示模型、基于深度学习的对象表示方法、多核流形学习对象再标识方法、融合监控视频编码的高效对象再标识方法等关键点。项目将搭建高清摄像机网络目标追踪原型系统，预期能实时处理16路以上高清监控视频，指定目标追踪准确率超过80%。

找不到"有价值的信息是监控视频大数据应用所面临的一个核心技术挑战，而无约 束环境下视觉表观高度相似对象间的有效标识和区分则是解决"找不到"问题中的难点。 针对这一技术挑战，本项目围绕监控视频大数据中表观相似对象的再标识这一关键科学 问题，从无约束环境下鲁棒的对象表示和高效快速的判别式对象再标识两方面开展研究。.项目研究并系统的提出基于属性的表示模型和方法，包括一种基于预定义属性和隐性属性的行人身份再标识(Re-ID)方法、一种跨数据集迁移学习方法和基于步态的行人再标识方法。研究并提出基于深度学习的方法，包括：提出基于多层次特征融合的图像表达方法、一种多任务深度行人再标识网络、一种分步迁移学习方法和一种无监督行人再标识的字典中网络协同迁移学习方法。在高效快速的判别式对象再标识方面，研究并提出了结合视频压缩域和像素域信息的快速运动对象检测框架、深度相对距离学习方法、基于多粒度二元组的度量学习和基于列表排序的度量学习方法；并研究提出了基于跨域对抗特征学习的行人素描重识别方法。同时，开发了一个完整的跨摄像头目标跟踪系统，构建了百万级的车辆Re-id数据库。.项目执行期间，项目负责人获2017年国家技术发明二等奖。共发表论文23篇，顶级期刊论文3篇，包括IEEE TPAMI论文1篇；顶级和主流国际会议论文20篇，包括CCF A类会议论文6篇，B类会议论文9篇；申请国家发明专利10项。