摘要
为了满足人民日益增长的美好生活需要，行人重识别(PersonRe-identification,PersonReID)技术已成为有力的安全卫士，常被用于智能安防和智能生活领域。PersonReID技术是计算机视觉领域的一个热门研究课题，旨在跨摄像头跨场景下检索特定行人图像。目前，受摄像头参数、拍摄环境、拍摄时间和行人姿态变化等因素的影响，容易造成所拍摄行人图像质量低劣，这使PersonReID技术面临巨大挑战，因此研究一个具有高识别精度的方法任重而道远。本文依托深度学习技术，从特征提取和度量学习两个方面对行人重识别的网络结构进行了改进，其主要研究工作如下： （1）针对目前行人重识别出现网络模型复杂化、识别率低的问题，提出一种基于全局特征拼接的行人重识别方法。首先利用卷积神经网络(CNN)提取全局特征；然后把不同卷积块提取的不同空间尺度特征进行拼接，使特征信息互补；最后将拼接后的特征再次进行卷积操作，获得高表征能力的特征。网络训练时，采用聚类损失函数和标签平滑损失函数联合训练，同时引入随机擦除和减小池化步长的训练技巧。 （2）针对第一种方法中出现不能充分提取有效特征信息和模型泛化能力弱的问题，以及希望网络模型结构更加简单，在第一种方法的基础上提出了一种基于多支路特征融合的行人重识别方法。首先将3个不同卷积块分别接出1条支路；然后对其中1条支路采用批特征擦除模块提取局部特征，另外两条支路继续提取全局特征并采用注意力机制、正则化等方法处理；最后将各支路特征融合，获得了高细粒度表征能力的特征。训练时，各支路相互监督，在提升泛化能力方面采用了联合多数据集训练策略。 最终在Market1501、DukeMTMC-reID、CUHK03、MSMT17和RandPerson数据集上进行了大量验证实验，结果表明第一种方法采用全局特征拼接、联合多损失函数训练等方式能明显提升识别精度，其中在CUHK03上，Rank-1、mAP、mINP分别达到了69.1%、66.9%、46.2%；第二种方法融合多尺度特征并联合多数据集训练策略能够进一步提升行人重识别精度，其中在CUHK03上，Rank-1、mAP、mINP分别达到了77.4%、75.1%、51.5%，并且泛化能力得以强化。
NETL