面向智能视频监控的行人再辨识方法研究

Person re-identification (Re-ID) is able to retrieval a suspect’s image from massive surveillance videos. Therefore, person Re-ID is a very important analysis technology in intelligent video surveillance applications. This project is to study the person Re-ID problem from three aspects: person feature representation, person similarity measure and person attribute assistant. First, an illumination and viewpoint invariant person feature learning method is presented to handle the person feature representation difficulties caused by illumination and viewpoint variations. Second, an efficient and low complexity person similarity measure method is presented to solve the high complexity problem of person similarity measure. Third, a joint person attribute classification and person Re-ID learning method is presented by making full use of the auxiliary of person attributes for improving the performance of person Re-ID. This project is expected to improve the performance of person Re-ID so as to promote its research progress and its practical application in intelligent video surveillance.

行人再辨识，即跨摄像机视域的行人匹配，可以在海量视频中检索嫌疑人图像，是智能视频监控中一项重要分析技术。本项目拟从行人特征表达、行人相似度度量、行人属性信息辅助三方面研究行人再辨识。首先，针对不同摄像机视域之间存在光照差异、视角变化影响行人再辨识效果的问题，提出一种具有光照变化、视角变化鲁棒性的行人特征学习方法；其次，针对行人相似度度量学习复杂度高的问题，提出一种高效、低复杂度的行人相似度度量方法；最后，提出一种行人属性分类和行人再辨识的全面联合学习，以有效地发挥行人属性信息对行人再辨识的辅助作用，提升行人再辨识性能。本项目的研究有望提高行人再辨识的准确率，为其在智能视频监控中的实际应用打下基础，推动行人再辨识研究的发展。

行人再辨识，即跨摄像机视域的行人匹配，可以在海量视频中检索嫌疑人图像，是智能视频监控中一项重要分析技术。项目主要研究工作如下：.1）相似度度量模型：深入分析当前基于马氏距离的相似度度量模型和基于简单距离（欧式、余弦距离）的相似度度量模型的优缺点后，为了在马氏距离和简单距离中间做出合理地折中，设计出一种混合相似度学习模型，既能挖掘不同特征维度上的重要性以更好地发挥出所学特征的鉴别潜能，又能有效地减少相似度量模型的复杂度以降低其对训练集规模的依赖。此外，进一步研究相似度度量模型，提出了一种归一化混合相似度度量函数，提高了行人再辨识的准确率。.2）深度神经网络结构设计：网络结构的设计对图像的特征学习至关重要。针对行人属性的多标签分类问题，提出一种多尺度多标签卷积神经网络，有效地提高了行人属性分类的准确率。为了降低网络模型复杂度，提出一种简短且密集连接的卷积神经网络。为了抵抗再辨识过程中图像成像视角变化带来的不良影响，提出多方向平均池化操作来构建多方向性深度神经网络。.3）手工图像特征设计：考虑到手工图像特征仍然是目标识别领域不可或缺的特征，除了探索基于深度学习获得图像特征之外，我们还对手工图像特征进行了研究。首先，提出了两种互补的新型纹理特征，并结合二维线性鉴别分析（Two-Dimensional Linear Discriminant Analysis, 2DLDA）算法，提高了人脸识别的准确率。再次，采用局部聚合向量(Vector of Locally Aggregated Descriptor，VLAD) 特征编码方法对尺度不变特征变换(Scale-Invariant Feature Transform，SIFT) 进行特征维度的统一和压缩，用于对布匹图像的检索。