行人重识别-REID

一、REID

• 行人重识别-REID（person re-identification）也叫做行人再识别技术。
• 利用计算机视觉技术判断图像或者视频序列中是否存在特定行人的技术。广泛被认为是一个图像检索的子问题。给定一个监控行人图像，检索跨设备下的该行人图像。
• 如下图所示：一个区域有多个摄像头拍摄视频序列，ReID的要求对一个摄像头下感兴趣的行人，检索到该行人在其他摄像头下出现的所有图片。

二、为什么使用REID

• 在监控视频中，由于相机分辨率和拍摄角度的缘故，通常无法得到质量非常高的人脸图片。当人脸识别失效的情况下，ReID就成为了一个非常重要的替代品技术。

• 重要特性：跨摄像头 --> 学术中性能评价：检索出不同摄像头下的相同行人图片。

• 要解决目标之间的重识别问题（Ｒｅ－ｉｄｅｎｔｉｆｉｃａｔｉｏｎ，ＲｅｌＤ）。重识别是解决交叉摄像头图像匹配问题最直接的方法。目前ＲｅｌＤ的研究和技术应用主要聚焦于行人重识别［２８］，用于在交叉视角下实现对指定行人的跨视域检索，属于图像检索的子任务，可用于无人超市、刑侦追缉、跟踪车辆等智能视频监控领域。在行人重识别领域，每个摄像机摄制的图像会形成一个包含各种目标在内的候选行人库，通常包含同一目标的多个视角图像。如图２－４所示，行人重识别通过输入指定的目标行人图像，在行人图像数据库中检索与输入图像具有相同特征的图像，输入图像通常是由不同摄像头拍摄的不连续帧，经处理后只包含该行人目标和极少数背景。

• 通常在多目标跟踪中会借用行人重识别领域己经相对成熟的算法模型来进行重识别，使用重识别领域的任务模型可以有效提取单摄像机跟踪的外观特征。如图２－５所示，行人跟踪是从由单视角摄像头拍摄的视频连续序列中寻找目标的一类任务。在２．〗节中得出ＳＯＴ跟踪器不能区分不同物体的结论。所以在多目标跟踪中，需要引入身份ＩＤ机制，为同一帧中的不同物体在相邻图像中建立对应关系，实现同物体始终保持同ＩＤ的功能。而保持ＩＤ的一致性则需借助重识别来完成。
• 

三、REID应用场景

四、REID研究形式

• 数据集通常是通过人工标注或者检测算法得到的行人图片，目前与检测独立，注重识别
• 数据集分为训练集、验证集、Query、Gallery
• 在训练集上进行模型的训练，得到模型后对Query与Gallery中的图片提取特征计算相似度，对于每个Query在Gallery中找出前N个与其相似的图片
• 训练、测试中人物身份不重复

• 两大方向：
  （1）特征提取：学习能够应对在不同摄像头下行人变化的特征
  （2）度量学习 ：将学习到的特征映射到新的空间使相同的人更近不同的人更远

• 基本流程如下图
  

五、REID存在的挑战

• 不同下摄像头造成行人外观的巨大变化

• 对于深度学习方法，现有数据集相对较小