原创 基于深度学习的行人重识别

行人识别是典型的图像和视频问题研究，它可以理解为图像检索的一个子问题，其目的是检测和跟踪目标行人在相机领域。可广泛应用于智能视频监控、智能安防等领域。行人再识别是指在某一相机的视野中识别出目标行人，在另一相机的视野中可以快速准确地识别出目标行人。对计算机视觉来说，在特定的时间或地点识别特定的人是一项困难的任务。关键是找到一种良好的特征表示和度量学习方法来证明两幅图像的相似性。

1特征提取与匹配是传统方法中行人识别技术的两个重要组成部分:特征提取与特征匹配。它们相辅相成，形成了整个识别过程。

(1)特征提取

特征提取一般分为三类:基于底层的特征表达和基于中高层特征的学习，包括显著性学习、镜像特征表达、属性学习等。其中一些是基于混合模型。

(2)特征匹配

特征匹配是指将从视图中提取的特征与目标图像进行匹配，进一步判断是否是同一目标。

展望未来。行人识别技术在一些大型数据集上的发展已经取得了一定的进展，但仍有一些实际问题需要解决。例如，在复杂的环境中，视频分辨率低，行人受阻，姿态变化和不可控因素。此外，对于基于深度学习的行人识别方法，在没有或只有少量标记的情况下，学习问题更加突出。深度学习模型通常需要包含更多的信息和更大的实验数据集。因此，为了获得更多的数据，主流的方法是生成对抗性网络算法。上述方法初步取得了良好的效果，但该方法在增强数据集时生成的图像姿态变化小，结构简单，分辨率低，且存在模糊现象。如何考虑在随后的工作在图像像素不变的前提下生成一些构成各种各样的行人图像，比如行人图像像素保持不变的情况下从站立姿势，坐姿时，生成的同时还可以考虑生成增加行人图像的行人的帽子，眼镜，箱包等配件来提高数据集。此外，深度神经网络丰富的体系结构提高了算法的准确性，但在更新模型时往往伴随着复杂的计算和繁琐的数据参数变化，势必影响训练的及时性。