大数据场景下基于深度学习的行人再识别方法研究

Person re-identification (re-ID) has become increasingly popular in the community due to its application and research significance. Since the low resolution of the pedestrian image in the surveillance video, person re-ID often suffer from (a) large variation in visual appearance (person’s appearance often undergoes large variations across different camera views); (b) significant changes in human poses at the time the image was captured; (c) large amount of illumination changes and (d) background clutter and occlusions. Although deep learning has achieved great success in the person re-ID community, it is still a challenging task due to subject to difficulties in person labeling, deep model training, and the large variations appearance of person across different camera views. Therefore, this project conducts research on deep learning based person re-identification under large-scale scenarios. The main contents include: Multi-losses based deep model for person re-identification; Random Erasing data augmentation for person re-identification; Camera style adaptation via Generative Adversarial Nets for person re-identification; Re-ranking with K-reciprocal encoding for person re-identification. The project aims to solve the above problems in the research of person re-identification. Moreover, the project expects to enrich the theory and algorithm of deep learning based person re-identification under the large-scale scenario, so as to provide theoretical and technical support for the development of computer vision.

行人再识别是计算机视觉和模式识别研究领域的前沿课题，由于监控视频中行人图像分辨率低，监控场景中存在着光照变化，视角变化，行人姿态变化，遮挡问题以及摄像机自身属性不同等原因，导致同一个行人在不同条件下的外观表现出很大差异。虽然目前基于深度神经网络的方法在行人再识别领域已经取得了较大的成功，但在实际大数据场景的应用中依然受到了标注困难、训练困难、行人在不同相机中的成像外观呈现出差异性等因素影响，使行人再识别依然面临重大挑战。因此，本项目针对大数据场景下行人再识别存在的上述问题，拟开展以下几方面的研究：基于多损失的深度行人再识别算法；基于随机遮挡的数据增强行人再识别算法；基于生成式对抗网络的相机适应性行人再识别算法；基于互近邻的行人再识别重排序算法。本项目有望解决行人再识别研究中存在的上述问题，丰富大数据场景下基于深度学习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。

行人再识别是计算机视觉和模式识别研究领域的前沿课题，并在智能视频监控领域中有着广泛的应用前景。项目组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，进行了分析总结，并开展了以下五方面的研究工作。.（1）基于随机擦除的数据增强方法：为降低深度模型的过拟合风险，提出了随机擦除数据增强方法，通过随机遮挡策略丰富训练样本，用于提升模型的泛化能力。.（2）基于K互近邻编码重排序方法：为改善行人再识别模型的初始检索排序，提出了k-互近邻编码重排序方法。通过考虑样本之间的邻域关系，并基于集合编码方法优化图像之间的相似性，提升检索的精度。.（3）面向跨场景的域自适应行人再识别方法：针对不同场景之间的数据分布差异导致模型跨域性能下降的问题，构建了基于相机风格迁移的数据增强方法、基于记忆模块不变性学习的行人再识别域自适应方法、基于非对称协同教学的行人再识别域自适应方法。.（4）面向新场景的泛化行人再识别方法：针对多源域训练的行人再识别模型在全新场景下的泛化问题低的问题，构建了基于多场景元学习的泛化行人再识别算法、基于域特征定位与消除的泛化行人再识别算法。.（5）面向无标注数据的无监督行人再识别方法：针对新场景下无标注数据的情况时，如何训练行人再识别模型这一难题，构建了基于虚拟生成数据的无监督行人再识别方法、基于元学习与抗噪训练的无监督行人再识别算法。..在多个行人再识别基准数据库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，发表的多篇学术论文也被学术同行广泛引用。同时，本项目的研究工作在一定程度上解决了人体再识别研究中存在的相关问题，丰富计算机视觉与机器学习在相关领域的理论和提供技术支持。