论文部分内容阅读
行人重识别是许多行人安全和社区监控等应用中的一个重要视觉任务,旨在从多个非重叠摄像头中查询或匹配同一身份的行人。但是,由于摄像角度、身体姿势、光线强度等因素干扰,不同视角摄像头拍摄到的行人外观可能存在较大差异。因而,行人重识别仍是一项非常具备挑战性的视觉工作。虽然当前已有许多行人重识别方面的研究工作,但是其性能表现仍不够充分,存在提升空间。为此,研究新型的行人重识别模型具有十分重要的理论贡献和现实意义。在行人重识别任务中,多个摄像头是从不同视角捕捉行人图片,因而,将其当作多视角学习问题是合理的。而在多视角学习方法中,典型相关性分析(canonical correlation analysis,CCA)是一类经典的子空间学习方法,可用于行人重识别任务。近期,许多CCA的变种模型已经被提出并成功应用于该任务。但是,这些模型的重识别能力非常有限,甚至落后于许多基准浅层方法。为进一步提高CCA的判别能力以及增强CCA对于行人重识别的适用性,论文尝试应用新的判别项,以及一些有意义的先验知识,提出基于CCA的新型行人重识别模型,从而提高基于CCA的方法的行人重识别性能,甚至最终达到现有基准重识别模型的重识别水平。论文主要工作为:1.提出面向行人重识别的排序嵌入迁移典型相关性分析算法模型(ranking-embedded transfer canonical correlation analysis,RTCCA)。具体为,利用基于三元组损失(triplet loss)的排序信息来增强CCA的判别能力;与此同时,利用基于最大均值差(maximum mean discrepancy,MMD)的正则项来减小训练样本集与测试样本集之间的分布差异,从而使CCA更加适用于行人重识别任务。在三个行人重识别数据集VIPeR、PRID和3DPES的实验中,rank-1匹配率分别达到了50.3%,30.8%和61.7%,这说明该算法模型有效地提高了CCA的重识别性能;2.提出面向行人重识别的特征选择边缘嵌入典型相关性分析算法模型(margin-embedding canonical correlation analysis with feature selection,l2,1-MCCA)。首先,利用基于边缘对比损失(contrast loss)的边缘信息来提升CCA的判别能力;然后,利用基于l2,1-范数的正则项来识别视角内的相关性特征并进行特征选择,从而提升其重识别性能。针对该模型,同样在行人重识别数据集VIPeR、PRID和3DPES上进行了实验,rank-1匹配率分别达到了51.6%,29.7%和62.5%,该结果证明了该算法模型的有效性。