引用本文

吴彦丞, 陈鸿昶, 李邵梅, 高超. 基于行人属性先验分布的行人再识别. 自动化学报, 2019, 45(5): 953-964. doi: 10.16383/j.aas.c170691

WU Yan-Cheng, CHEN Hong-Chang, LI Shao-Mei, GAO Chao. Person Re-Identification Using Attribute Priori Distribution. ACTA AUTOMATICA SINICA, 2019, 45(5): 953-964. doi: 10.16383/j.aas.c170691

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c170691

关键词

行人再识别，数据先验分布，权重调整，深度学习，卷积神经网络 

摘要

为了提高基于深度学习和属性学习的行人再识别的识别精度，提出一种联合识别行人属性和行人ID的神经网络模型.相对于已有的同类方法，该模型有三大优点：1）为了提高网络在微调后的判别能力，在网络中增加了一层保证模型迁移能力的全连接层；2）基于各属性样本的数量，在损失函数中对各属性的损失进行了归一化处理，避免数据集中属性类之间的数量不均衡对识别效果的影响；3）利用数据中各属性分布的先验知识，通过数量占比来调整各属性在损失层中的权重，避免数据集中各属性正负样本的数量不均衡对识别的影响.实验结果表明，本文提出的算法具有较高的识别率，其中在Market1501数据集上，首位匹配率达到了86.90%，在DukeMTMC数据集上，首位匹配率达到了72.83%，在PETA数据集上，首位匹配率达到了75.68%，且对光照变化、行人姿态变化、视角变化和遮挡都具有很好的鲁棒性.

文章导读

近年来, 随着监控设备在公共场所的普及, 行人再识别技术越来越受到人们的重视.行人再识别是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.但是由于光照、遮挡、行人姿态等问题, 同一行人在不同场景中的外观呈现出较大差异, 这给行人再识别研究带来了巨大挑战.为了有效应对这些挑战, 广大研究者提出了很多解决方法.

图 1  网络结构示意图

图 2  数据集行人图片举例

图 3  网络参数及结果对比

随着深度学习技术的发展和带属性标注行人数据集的出现, 近年来基于行人属性的行人再识别有效提升了识别精度.在已有研究基础上, 本文基于行人属性中的数据先验分布知识设计了新的用于行人属性识别和再识别的深度神经网络.实验结果验证了本文方法的有效性.但依旧没有充分挖掘数据集的内在信息, 实验效果还可进一步提高.后续工作将进一步研究如何在网络设计中融入属性之间的相关性和异质性.

作者简介

陈鸿昶

国家数字交换系统工程技术研究中心教授.主要研究方向为电信网信息关防, 信息安全.E-mail:chc@ndsc.com.cn

李邵梅 

国家数字交换系统工程技术研究中心副研究员.主要研究方向为计算机视觉.E-mail:lishaomei_may@126.com

高超  

国家数字交换系统工程技术研究中心助理研究员.主要研究方向为计算机视觉.E-mail:chaosndsc@163.com

吴彦丞  

国家数字交换系统工程技术研究中心硕士研究生.2016年获得清华大学自动化系学士学位.主要研究方向为机器学习, 计算机视觉.本文通信作者.E-mail:wuyc1994@163.com